For decades, ab-initio first principle quantum calculation has contributed to discovering new materials, and due to recent drastic advance in computing calculation power high throughput screening that calculates enormous candidate material data and discovers good functional materials among them is available. This material discovery method, however, relies on chemical intuition and experience and also can discover materials only limited in existing database. In this work, we propose the new material design framework using Generative Adversarial Network (GAN) in machine learning that addresses previous material design method. Also, we developed the inorganic solid material representation that is simply invertible and applied to vanadium oxide system with GAN model. We found entirely new polymorphs for vanadium oxide. 23 structures among them are thermodynamically stable and could be considered synthesizable.
제일 원리 양자 계산은 수 십 년간 새로운 소재 개발에 꾸준히 기여를 해왔으며, 최근 급격한 컴퓨팅 계산 속도의 발전으로 거대한 후보 물질 데이터를 빠르게 계산하여 그 중 좋은 기능을 갖는 물질을 탐색하는 고속 대량 스크리닝 기법이 가능해졌다. 하지만 이러한 소재 개발 방식은 화학적 직관과 경험에 의존하는 방식이고, 이러한 방식에서는 갖춰진 데이터 베이스 안의 물질들에 한해서만 소재 발견이 가능했다. 본 학위논문에서는 이러한 소재 개발 방식의 단점을 보완한 기계학습 모 중 하나인 적대적 생성 신경망을 이용하여 새로운 소재 개발 체계를 제안하고자 한다. 더불어, 쉽게 역 변환이 가능한 무기 고체 재료의 구조 표현자인 '점 구름' 기반의 표현자 또한 개발하여 이를 위의 모델과 함께 바나듐옥사이드(V-O) 시스템에 적용했고, 기존의 무기 재료 데이터베이스에 포함되지 않은 완전히 새로운 바나듐옥사이드 다형체를 찾아냈다. 이렇게 찾아낸 바나듐옥사이드 다형체들 중 23개의 구조는 열역학적으로 안정하여 이것들의 합성 가능성을 확인하였다.
