Activation energy is an important kinetic parameter in determining the reaction rate, mechanism, and product. Estimating the activation energy of a reaction is a very complex and time-consuming task both experimentally and computationally. Despite the activation energy can be quickly predicted through machine learning, there are significant limitations in the type of reaction or elements included in the reaction. In this dissertation, the predictable elements are expanded by generating 4,552 reaction data on involving silicon, yield MAE of 3.09 kcal mol$^{-1}$ and RMSE of 5.33 kcal mol$^{-1}$. In addition, the model is calibrated by the uncertainty quantification of prediction results.
활성화 에너지는 반응 속도의 예측 및 생산물 예측 등 반응 전반의 이해에 중요한 역할을 한다. 실험적으로나 이론적으로나 반응의 활성화 에너지를 계산하는 것은 상당히 어렵고 오래 걸리는 작업이다. 머신 러닝을 통하여 활성화 에너지를 빠르게 예측할 수 있지만, 반응의 종류나 반응에 포함하는 원소에 있어서 상당한 제약이 있다. 본 학위 논문에서는 실리콘을 포함하는 반응에 대한 4,552개의 데이터를 생산함으로써 머신 러닝 모델이 예측할 수 있는 원소를 확장시켰고, 3.09 kcal mol$^{-1}$의 MAE와 5.33 kcal mol$^{-1}$의 RMSE의 정확도를 얻었다. 또한 모델이 예측하는 결과에 있어 불확정성을 고려함으로써 정확도를 보정하는 방법을 확인하였다.
