Despite remarkable advances in computational chemistry, prediction of reaction mechanism is still challenging, because investigating all possible reaction pathways is computationally prohibitive due to the high complexity of chemical space. In this thesis, we introduce the novel approach of automated chemical reaction prediction program named ACE-Reaction. ACE-Reaction constructs reaction network and extract the minimal network composed of only favorable reaction pathways from the complex chemical space. This method has been applied to various chemical reactions and verified its reliability and broad applicability. In addition, machine learning techniques and Monte Carlo tree search method are employed for chemical reactivity learning. It enables more efficient chemical reaction space exploration.
계산 화학의 발전에도 불구하고 화학 반응 공간의 높은 복잡성으로 인해 가능한 모든 반응 경로를 조사하는 것은 어렵다. 이 학위 논문에서는 효율적이고 자동화된 화학 반응 예측 방법을 소개한다. 이 방법은 ACE-Reaction 이라고 명명된 프로그램으로 구현되었다. ACE-Reaction 은 복잡한 화학 공간에서 핵심적인 반응 경로만으로 구성된 최소 네트워크를 추출할 수 있다. 이 방법은 다양한 화학 반응에 적용되었으며 그 신뢰성과 광범위한 적용 가능성을 확인하였다. 또한 기계 학습과 몬테카를로 트리 탐색 방법을 이용하여 반응성을 학습하였다. 학습된 반응성을 통해 더 효율적인 화학 반응 공간 탐색이 가능하였다.
