Combinatorial & high-throughput experimentation is a kind of R&D trend in the 21st century. Rapid progress of high-throughput experimental tools requires the development of data mining software. In this work, two different neural networks were applied to HTS (High-throughput screening) of ferroelectric materials including $Bi_{4-x}La_xTi_3O_{12}$ (BLT) and $Bi_{4-x}Ce_xTi_3O_{12}$ (BCT).
And we can find that the necessary calculation time of generalized regression neural network (GRNN) models was much shorter, but multilayer perceptron (MLP) models were more accurate than GRNN models.
Once a neural network model with high accuracy was established, we could find the optimal reaction conditions with the best characteristics. The highest gradient value obtained by the neural network model is higher than the maximum value found by experiments in the case of both BCT and BLT.
조합 촉매 기법을 이용한 고속 탐색 실험 방법은 신 촉매 및 재료개발의 분야에서 매우 각광을 받고 있는 실험 기법이다. ‘고속 합성’, ‘고속 탐색 및 분석’을 가능하게 하는 다양한 실험장치들의 개발이 빠르게 진행되고 있고, 이러한 고속 탐색 실험을 통해 대용량의 데이터가 생성된다. 대용량의 데이터는 기존의 실험 데이터 분석 방법으로는 분석하기 어렵기 때문에 데이터 마이닝 기법 즉, 대용량의 데이터를 분석하고 유용한 정보를 찾아내는 기법에 관한 연구가 요구 된다.
본 연구에서는 인공신경망 기법을 두 종류의 강 유전체 $(Bi_{4-x}La_xTi_3O_{12} 와 Bi_{4-x}Ce_xTi_3O_{12})$ 고속 탐색 실험에 적용하였다. 조절변수 (물질의 조성과 반응 시간) 와 제어변수(잔류 분극 값과 항전계 값) 의 관계를 모델링 하는데 두 개의 인공신경망 기법이 이용되었고, 이 중 다층 퍼셉트론이 일반화된 회귀 신경망 모델보다 모델의 정확도가 높다는 것을 보였다.
$Bi_{4-x}La_xTi_3O_{12}$ 와 Bi_{4-x}Ce_xTi_3O_{12}$ 의 모델 구축이 완성되면, 이 모델을 이용하여 최고의 성능을 보이는 최적조성 및 실험조건을 구할 수 있다. 비스무스와 란타튬의 조성범위 및 후열처리 시간범위를 실험과 동일하게 했을 때, 인공신경망 모델을 이용해서 찾아낸 최적조성과 그에 상응하는 강 유전체 특성 치는 두 가지 재료 모두에서, 실험에서 얻어진 강 유전체 특성 치보다 그 수치가 높았다.
