Machine learning is an approach to infer knowledge based on the data using various learning modes (supervised, unsupervised, reinforcement learning, etc). With Machine learning, system can make an own decision from extracted rules. Recently, because of high availability of tremendous data, state-of-the-art machine learning algorithms and fast computational resources, machine learning have brought innovations to various traditional industries and fields by giving new problem-solving paradigm. Unlike conventional machine learning which requires exhaustive a feature engineering, deep learning, which is composed of many stacked layers, have been shown remarkable ability to extract useful features automatically in by optimizing the parameters of artificial neurons with backpropagation algorithm. Amazingly, for recent many years, deep learning has outperformed conventional various approaches in computer vision, natural language processing, drug discovery and so on. In this work, we introduced the deep learning based end-to-end strategy to solve problems in chemical engineering by extracting hidden features in chemically measured data using deep learning. At first, we enhanced both sensitivity and selectivity of chemical gas sensor which are representative performance index of gas sensing by applying deep learning. For an example of sensitivity, we applied deep learning-based anomaly detection to gas sensing and described that our neural network can easily extract hidden signals under conventional limit of detection, which lead to increased sensing abilities for $H_2$ concentration. For an example of selectivity, we showed that deep learning gives metal oxides sensors selectivity of various gases under room temperature. Secondly, we introduced the characterization of porous materials, especially metal organic frameworks. The characterization of structural and adsorption properties of MOFs requires time-consuming experimental characterization processes or computationally expensive molecular simulations. We showed the end-to-end strategy to reduce the time by the deep learning based characterization. We described that artificial intelligence can classify the pristine and linker-defected MOFs after learning with x-ray diffraction data of crystalline MOFs. On the other hands, we simulated the adsorption potential of MOFs by deep learning and described the possibility of calculation of adsorption properties using the learned potential. Our approaches are end-to-end (no need for feature engineering) and easy-and-fast (need simple architecture and only few minutes for training). Furthermore, this approaches have a possibility to be applied to other applications in chemical engineering.
머신러닝은 여러 학습 방법(지도, 비지도, 강화학습 등)을 사용해 데이터에 기반한 규칙을 추론해내는 접근법으로, 시스템이 스스로 결정을 내릴 수 있게 한다. 최근 들어 더욱더 용이해진 데이터에 대한 접근성, 어마어마한 데이터의 양, 매우 발전된 머신러닝 기술 그리고 엄청난 속도의 컴퓨터 자원의 힘을 입어, 머신러닝은 최근 수많은 분야에 자동화 혁신을 이끌어 내고 있으며, 새로운 문제 해결 방식을 제안하고 있다. 여러 머신러닝 알고리즘 중, 딥러닝은 세밀한 특성 공학과 도메인 지식을 매우 요구하는 기존 머신 러닝 기법과는 달리, 매우 깊은 층으로 이루어진 뉴런들의 파라미터들을 역전파 기법으로 최적화 시키면서 자동으로 중요한 특성을 추출해내며, 실제로 컴퓨터 비전, 자연어 처리, 악 개발 등의 분야에서 기존에 사용되던 기법보다 매우 향상된 성능을 보여주고 있다. 본 연구에서는 화학적으로 측정된 다양한 데이터들 속에서 숨겨진 중요한 특성을 딥러닝으로 추출해내고 이를 기반으로 여러 화학공학 문제를 푸는 기법을 소개하였다. 첫번째로, 가스 센서의 성능 지표인 선택성과 민감도를 딥러닝으로 향상시켰다. 민감도를 향상시키는 예로, 오토인코더 기반 이상징후 감지 기법을 도입하여, 가스 센서의 측정 한계를 나타내었던 측정 감지 한계 이하의 신호에서도 중요한 타겟 물질의 흡착 신호를 발견하였다. 선택성을 향상 시키는 예로, 가스 센서로 많이 쓰이는 메탈옥사이드 센서에 딥러닝을 적용하여, 고열 공정 한계를 가지고 있는 메탈옥사이드를 상온에서도 여러 가스에 선택성을 가질 수 있도록 하였다. 두번째로 다공성 물질인 금속 유기 구조체의 특성을 딥러닝으로 밝혔다. 다공성 물질의 구조적 특성 및 흡착 특성은 합성 후 여러 측정 과정, 특히 X선 회절과 흡착 실험이나 수많은 분자 모사 계산을 실행해야 얻을 수 있으며, 이는 많은 인력과 시간을 요구한다. 본 연구에서는 딥러닝을 사용하여 합성된 물질의 특성 측정에 걸리는 시간을 줄이는 전략을 도모하였다. 먼저, 물질의 합성 후 통상적으로 쓰이는 X선 회절 데이터를 딥러닝으로 학습시켜, 다공성 물질인 금속 유기 구조체의 결함 유무를 빠르게 판단하는 시스템을 제안하였다. 그리고, 딥러닝 학습을 기반으로 하여 금속 유기 구조체의 흡착 포텐셜을 모사하고, 이를 토대로 흡착 특성을 얻어내는 과정을 설명하였다. 본 연구는 엔드-투-엔드 방식으로 특성 공학을 사용하지 않으며, 간단한 모델 구조와 빠른 학습 시간을 특성으로 가지기 때문에, 향후 가스 센싱 분야와, 물질 합성 분야뿐만 아니라 다른 화학공학 분야에의 적용 가능성도 가늠케 한다.
