Machine learning is gaining attention as a new material discovery approach since it is impossible to explore the whole materials space, which is generated by combination of material structure and its constituent elements. Machine learning, which learns a lot of data on its own to find hidden rules, is expected as a methodology that can reduce the material space search speed and find materials beyond human intuition. To apply this to the development of new materials, it is essential to express the materials numerically and interpret the discovered rules as human-understandable knowledge. In this study, expression and interpretation methods for applying machine learning to materials science were studied. In the first chapter, we used machine learning to predict the degree of interaction between the material and oxygen atoms from the electronic structure of the material surface, and analyzed what aspects of the surface electronic structure were paid attention to when machine learning predicting by adding an attention mechanism. In the second chapter, we studied a machine learning method to reconstruct the three-dimensional structure of a material from X-ray diffraction patterns, and showed that the X-ray diffraction patterns can be used as a method representing the structure of a material.
머신러닝은 재료의 구조와 그것을 이루는 원소들의 조합인 재료 공간은 방대하여 전부를 탐색하는 것은 불가능하기에 새로운 신소재 개발 방법론으로 각광받고 있다. 많은 데이터들을 스스로 학습하여 숨겨진 규칙을 찾아내는 머신러닝은 재료 공간 탐색 속도를 단축하고 인간의 직관을 벗어난 소재를 찾아줄 방법론으로 기대 받고 있다. 이를 신소재 개발에 적용하려면 재료를 숫자로 표현하고 발견한 규칙을 인간이 이해할 수 있도록 해석하는 것이 필수적이다. 본 연구에서는 머신러닝을 재료과학에 적용하기 위한 표현과 해석 방법을 연구하였다. 첫 번째 장에서는 머신러닝을 이용하여 재료 표면의 전자구조로부터 그 재료와 산소 원자의 상호 작용 정도를 예측하고, 어텐션 메커니즘을 추가하여 예측할 때 표면 전자 구조의 어떠한 점을 주목하였는지 해석하였다. 두 번째 장에서는 X선 회절상으로부터 재료의 3차원 구조를 복원하는 머신러닝 방법을 연구하여 X선 회절상이 재료의 구조를 표현하는 숫자로 사용될 수 있음을 보였다.
