<일본시장조사보고서>2022년판 머티리얼 DX 관련 시장의 현황과 전망(일본어판)
(일본어목차)2022年版 マテリアルDX関連市場の現状と展望
자료코드: C63129300 / A4 209p / 2022. 02. 25
각 산업계에서 진행되고 있는 DX는 머티리얼 분야도 예외가 아니다. 이 분야에서는 이미 MI(머티리얼스 인포매틱스)로서 2010년대부터 대응이 착수되었지만, 포괄적이며 속도를 높인 대응이 시작되었다.
과학기술의 많은 영역에서 선행(주요) 플레이어로서의 입지를 빼앗기고 있는 일본이지만, 기초연구분야에서는 변함없이 높은 국제 경쟁력을 유지하고 있다. 그 기점이라고도 할 수 있는 머티리얼 영역에서 어떠한 DX화가 진행되고, 그것에 의해 무엇이 초래되는지를 중심으로 정리하고자 한다.
◆조사개요
조사목적: 머티리얼 DX(디지털 트랜스포메이션) 관련 사업화를 위한 대응을 진행하고 있는 기업 및 연구기관의 현재 동향과 향후의 사업 시책을 조사함으로써 머티리얼 DX의 현황과 향후 동향을 파악하는 것을 목적으로 한다.
조사대상:
<대상구분> 프로세스 인포매틱스, MI(유기재료), MI(무기재료)
<대상기업, 연구기관> 위 대상품목 관련 기술연구기관을 중심으로 일부 생산판매 또는 취급기업 포함
조사방법: 당사 전문조사원의 대면취재
조사기간: 2021년 9월~2022년 1월
※월간지 'Yano E plus'(2021년 10월호~2022년 2월호)의 관련 특집을 기반으로 편집, 시장 수치 등도 발췌
◆자료 포인트
• 산업계를 포함한 데이터 구동형이 시동
• 글로벌한 재료 개발 경쟁 격화의 비장의 카드로
• 데이터 과학을 적용하는 프로세스 인포매틱스 환경이 갖추어지다
• 기계학습, 물성이론, 시뮬레이션, 데이터베이스 등을 활용하여 재료과학과 융합
• 화학적 혹은 생물학적인 현상을 해석해 나가는 유기재료 분야.
※월간지 'Yano E plus'(2021년 10월호~2022년 2월호)의 관련 특집을 기반으로 편집, 시장 수치 등도 발췌
리서치 내용
조사결과 포인트
제1장 부감적 총론
1. 머티리얼 DX의 시동
1-1. 머티리얼스 인포매틱스(MI)에서 머티리얼DX로
1-2. 재료개발 프로세스의 DX화
1-3. 일본의 장래를 짊어질 머티리얼 DX
2. 머티리얼 DX에 관한 해외 동향
2-1 미국의 동향
2-2. EU의 동향
2-3. 중국의 동향
3. 리얼 DX에 관한 일본의 동향
3-1. 문부과학성
(1) 머티리얼 혁신역량 강화 전략 수립
그림1. 머티리얼 혁신역량 강화 전략 개념도
(2) 데이터 구동형 머티리얼 연구개발에 관련된 문부과학성을 중심으로 한 지금까지의 대응
① NIMS가 구축하는 데이터베이스
그림 2. NIMS를 중심으로 지금까지 구축되어 온 데이터베이스
② 산업계와의 연계
(3) 머티리얼 DX 플랫폼 생성
① 머티리얼 DX 플랫폼 구상 실현을 위한 대응
그림3. 머티리얼 DX 플랫폼 구상의 아웃라인
② 데이터 핵심 거점에서 실현하는 시스템
그림4. 데이터 핵심 거점에서 실현하는 시스템 모식도
③ 데이터 창출 기반(머티리얼 첨단 리서치 인프라 사업) 체제
그림5. 데이터 창출 기반(머티리얼 첨단 리서치 인프라 사업) 체제 맵
④ 데이터 창출·활용형 머티리얼 연구 개발 프로젝트 FS
(4) 머티리얼 DX는 일본의 과학기술 이노베이션 전체의 수준 향상으로 이어진다
3-2. 국립연구개발법인 물질·재료연구기구(NIMS)
(1) MaDIS에 대해서
(2) 데이터 구동형 재료 개발의 계보
그림6. NIMS의 데이터 구동형 연구 추진
(3) 데이터 플랫폼 구축
그림7. 세계 최고 수준의 연구 기반으로서의 재료 데이터 플랫폼
그림8. 실험 데이터를 사용할 수 있는 형태로 자동 수집하는 시스템
그림9. NIMS의 실험 데이터 자동수집시스템
(4) 데이터 구동형 연구를 통한 재료개발 사례
그림10. 데이터 구동에 의한 재료의 연구개발 사례
(5) 머티리얼 DX의 장래 전망
그림11. 재료 분야의 데이터 구동 연구, 데이터 기반 구축의 계보
4. 머티리얼 DX의 시장규모 예측
그림·표1. 머티리얼DX의 일본 국내 및 세계 시장규모 예측(금액: 2025-2050년 예측)
그림·표2. 머티리얼DX의 분류별 일본 국내 시장규모 예측(금액: 2025-2050년 예측)
그림·표3. 머티리얼DX의 분류별 세계 시장규모 예측(금액: 2025-2050년 예측)
5. 머티리얼 DX 관련 기업·연구기관의 대응 동향
5-1. 국립연구개발법인 산업기술종합연구소
(1) 기본적인 생각
그림12. 멀티 스케일, 멀티 피직스 계산 재료 설계의 개념도
그림13. 산업기술종합연구소의 머티리얼 DX 관련 프로젝트
그림14. 재료 설계 플랫폼 보급을 위한 컨소시엄 체제
(2) 연구 접근법
그림15. 연구 접근법을 나타낸 개념도
(3)계산 시뮬레이션 기술의 개발
(4) MI 기반기술 개발: 자율적으로 물질·재료연구기구 탐색을 진행하는 로봇시스템 개발
그림16. (a)본 로봇시스템의 구성도 (b)본 시스템을 이용한 재료 합성의 개념도
(5) 재료 데이터 PF 개발
그림17. 실험 데이터와 계산 데이터의 온디멘드 자동·고속 수집하는 데이터 플랫폼 시스템 예
(6) AI와의 융합을 통한 계산 시뮬레이션 능력 확대: 계산 시뮬레이션과 AI를 연계하여 가상 실험환경 구축
그림18. 학습이 끝난 DL에 의해 예측된 파단 접합 히스토그램 플롯. 삽입도는 제1원리 계산 시뮬레이션 결과를 이용한 검정과 검증을 나타낸다. 결정계수(R2값)를 수치로 기재했다. 왼쪽은 학습 데이터에 대한 테스트 결과, 오른쪽은 검증 데이터를 이용한 테스트 결과
(7) 데이터 구동형 재료 설계 기술의 아웃컴
그림19. 데이터 구동형 재료 설계 기술의 아웃컴 개략
5-2. 나가세산업 주식회사
(1) 신재료 탐색 플랫폼 'TABRASA'의 SaaS 서비스 제공 시작
그림20. 'TABRASA'의 2개의 엔진과 특징
(2) 신재료 탐색 SaaS형 PF 'TABRASA'~산요화성공업 주식회사가 도입을 결정~
5-3. 국립대학법인 도카이국립대학기구 나고야대학
(1) GiSM
그림21. 통합형 재료 디자인 GiSM의 콘셉트를 나타낸 모식도
(2) 이미지 인식과 정량 조직학
(3) ML에 의한 순해석과 역해석
5-4. 국립대학법인 나라첨단과학기술대학원대학
(1) 데이터 구동형 사이언스 창조센터(DSC) 설립과 의의
그림22. 나라첨단대학의 조직도와 DSC의 위상
그림23. DSC의 조직과 구성
그림24. DSC의 연구·교육 프로그램 개요
그림25. 데이터 구동형 사이언스 컨소시엄의 개요
(2) MI의 새로운 방법 개발과 응용
그림26. MI의 기본 프로세스
그림27. BO를 이용해 학습을 통해 신속하게 목표에 도달 (a)목표영역과 예측치가 가까운 경우, (b)목표영역과 예측이 먼 경우
그림28. PI 생각을 나타낸 모식도
(3) MI기법을 최적화한 선진적인 재료 개발 프로세스
그림29. 데이터 수집, 예측기 구축, 탐색, 실증 재료 개발 루프
그림30. 물질 계층에 따른 멀티 스케일로 모델화·수치 계산이 필요
그림31. 재료 후보 선택의 정확도를 향상시키는 구조
6. 머티리얼 DX 발전을 위한 과제
제2장 데이터 사이언스
1. 머티리얼 DX의 데이터 사이언스
2. 머티리얼 DX에서의 데이터 사이언스의 방향성
2-1. 신물질 탐색
2-2. 미시적 미세구조와 재료물성과의 상관관계
2-3. 결정구조에서 재료조성까지의 멀티스케일 통합
3. 머티리얼 DX의 데이터 사이언스 방법
3-1. 제1원리계산
3-2. 베이스최적화
3-3. 기계학습(ML)/뉴럴네트워크(NN)/심층학습(DL)
4. 머티리얼 DX의 데이터과학 시장규모 예측
그림·표1. 머티리얼 DX의 데이터과학 일본 국내 및 세계 시장규모 예측(금액: 2025~2050년 예측)
5. 머티리얼 DX의 데이터과학 관련 기업·연구기관의 대응 동향
5-1 MI-6 주식회사
그림1. 실시 체제
그림2. 전해액 조성의 탐색
5-2 주식회사 Elix
(1) Elix의 비즈니스 모델
그림3. (상)Elix가 보유한 모델군 'Elix Discovery™', (하) 'Elix Discovery™'의 전체 이미지
그림4. 프로젝트 수행 이미지
(2) 사례①: 주식회사 일본촉매
그림5. Elix×일본촉매: 반응성 희석제 개발사례, (상)아크릴 모노머의 분자구조,
(하)생성 모델에 이용한 뉴럴 네트워크 모식도
(3) 사례②: 아스텔라스제약 주식회사
그림6. Elix×아스테라스제약: 활성 예측·화합물 구조 생성·역합성 해석을 위한 알고리즘 개발
5-3. 공익재단법인 계산과학진흥재단(FOCUS)
(1) 사업내용
그림7. FOCUS 및 FOCUS 슈퍼컴퓨터의 역할
그림8. FOCUS의 슈퍼컴퓨팅 사업체계
(2) MI에 대해서
그림9. 물질·재료 연구개발에서의 데이터 구동형 접근
그림10. 스몰 데이터 문제에 대한 물질과학 측의 접근
(3) 인재육성
그림11. 캐리어 개발을 위한 AI/기계학습연수(1)
그림12. 캐리어 개발을 위한 AI/기계학습연수(2)
5-4. 국립연구개발법인 산업기술종합연구소
(1) 촉매반응의 수율을 AI로 예측
그림13. 모델로 한 에폭시화 반응
그림14. 실험 데이터에 대해 ML을 실시해 AI를 구축하는 흐름
그림15. AI에 의한 수율 예측
(2) 자율적으로 물질 탐색을 진행하는 로봇 시스템을 개발
그림16. MI와 머티리얼스 로보틱스의 융합
(3) 기계학습 퍼텐셜(MLP) 연구
그림17. a-Si 중 Li 확산의 망라 해석
그림18. a-Al Ox의 밀도와 조성 변화를 기술할 수 있는 잠재력
(4) 계측 인포매틱스를 응용한 스펙트럼 피팅
그림19. 스펙트럼의 파라미터 추정
그림20. EM 알고리즘에 의한 스펙트럼 피팅
5-5. 국립대학법인 도쿄대학/국립연구개발법인 물질·재료연구기구(NIMS)
(1) 재료 물성 실험 데이터의 데이터베이스화
①논문 중 그래프에서 실험 데이터 추출 작업
② 'Starrydata web' 시스템 개발
그림21. 'Starrydata Web' 시스템에 의한 데이터 공유
(2) 열전변환재료에 관한 대규모 데이터 수집
그림22. 'Starrydata web' 시스템의 데이터 수집 시스템
그림23. PbTe 열전재료의 Jonker plot
5-6. 국립대학법인 나고야공업대학
(1) 고체 전해질 재료에 관한 계산기 시뮬레이션
그림24. 원자 간 퍼텐셜 구축 모식도
(2) 퍼텐셜 파라미터의 최적화 방법
(3) 원자 간 퍼텐셜의 하이스루풋 구축
5-7. 학교법인 일본여자대학
(1) 유기박막 태양전지재료
그림25. 유기박막 태양전지에 대한 양자화학계산과 ML
(2) 펠로브스카이트형 태양전지재료
그림26. ML을 이용한 펠로브스카이트형 태양전지재료 탐색
5-8. 주식회사 히타치하이테크솔루션
(1) 재료 탐색에서의 기존형과 MI의 차이점
그림27. 재료 탐색에서의 기존형과 MI의 차이
(2) 'Chemicals Informatics'의 구성과 구조
그림28. ‘Chemicals Informatics’의 구성
그림29. ‘Chemicals Informatics’ 구조
(3) ‘Chemicals Informatics ‘의 특징
①연구자의 새로운 발견을 돕는 곱하기 탐색기법(탐색 AI)
그림30. ‘Chemicals Informatics’의 특징①: 탐색 AI
그림31. 'Chemicals Informatics'가 탐색하는 영역
그림32. 조합최적화 CI vs. 배합비 튜닝 MI
②새로운 아이디어를 낳는 방대한 화합물 데이터베이스(NLP AI/신규 화합물 생성 AI)
그림33. NLP AI와 신규 화합물 생성 AI
③연구개발의 고효율화를 실현하는 높은 탐색성능과 예측 정밀도
그림34. 폭넓은 공개 데이터를 사용하고 있는데도 높은 정밀도를 실현할 수 있는 ‘Chemicals Informatics’
5-9. 주식회사 Preferred Computational Chemistry(PFCC)/주식회사 Preferred Networks(PFN)/ENEOS 주식회사
(1) MI와 초고속 시뮬레이터로서 활용할 수 있는 'Matlantis™'를 PFCC가 클라우드 서비스로 제공 시작
(https://www.preferred.jp/ja/news/pr20210706/)
(2) 'Matlantis™'를 개발한 PFN이란
(3) 범용 원자 시뮬레이터 ‘Matlantis™’의 특징
그림35.MI 에서의 ‘Matlantis™‘의 위상
그림36. 'Matlantis™'의 구조
그림37. ‘Matlantis™의 성능
그림38. ‘Matlantis™가 대응하는 원소
(4) 'Matlantis™의 적용 사례
①재생에너지에 의해 합성된 연료촉매 탐색(ENEOS)
그림39. (좌) H2와 CO로부터의 액체연료 합성반응, (중)Co+V 촉매상에서의 C-O 해리반응,
(우) Co촉매의 일부 원소 치환에 의한 활성화 에너지 변화(Co만의 기준 1.0)
②수소 캐리어 촉매 탐색(ENEOS)
그림40. (좌)MCH 탈수소 반응, (우)MCH 탈수소 반응 해석결과
6. 머티리얼 DX의 데이터 사이언스 과제
제3장 프로세스 인포매틱스
1. 머티리얼 DX의 프로세스 인포매틱스(PI)
2. 머티리얼 혁신역량 강화전략과 PI
2-1. MPI 플랫폼 구축의 의의
그림1. MPI 플랫폼 계획
2-2. MPI 플랫폼의 목적
그림2. MPI 플랫폼의 목적
2-3. MPI 플랫폼 거점 체제
(1) 쓰쿠바센터: 선진촉매 거점(촉매화학융합연구센터 요시다 마사루 부센터장에게 묻는다)
그림3. 선진촉매 거점 추진과 도입장치
(2) 주부센터: 세라믹·합금거점(극한기능재료연구부문 마바라 이치로 연구부문장에게 묻는다)
그림4. 세라믹·합금 거점의 대응과 도입장치
(3) 중국센터: 유기·바이오재료 거점(기능화학연구부문 신노 히로유키 연구부문장에게 묻는다)
그림5. 유기·바이오재료 거점의 대응과 도입장치
3. 머티리얼 DX에서의 PI 시장규모 예측
그림·표1. 머티리얼 DX의 PI 일본 국내 및 세계 시장규모 예측(금액: 2025-2050년 예측)
그림·표2. 머티리얼 DX의 PI 분류별 일본 국내 시장규모 예측(금액: 2025-2050년 예측)
그림·표3. 머티리얼 DX의 PI 분류별 세계 시장규모 예측(금액: 2025-2050년 예측)
4. 머티리얼 DX의 PI 관련 기업·연구기관 대응 동향
4-1. 아이크리스탈 주식회사
(1) 아이크리스탈의 업태
(2) 디지털 트윈
그림6. 디지털 트윈을 이용한 프로세스 최적화 흐름
그림7. 소재부터 디바이스까지 단번에 걸친 제조 프로세스에서 반도체 Cyber Factory를 목표로 한다
(3) 사례①: 실험×베이즈 최적화 ~ GaN의 연삭 조건 최적화~
그림8. 사례①: 실험×베이즈 최적화
(4) 사례②: 시뮬레이션×ML~GaN의 HVPE 반응로의 구조 최적화~
그림9. 사례②: 시뮬레이션×ML
4-2. 국립대학법인 도쿄대학
(1) 분체 프로세스 개발의 하이스루풋화를 위한 데이터 구동형 PI
그림10. 데이터 구동형 분체 PI의 프로세스 예
그림11. 분체 프로세스와 관련된 물리현상
그림12. 요리 프로세스와 비교한 공업 제품으로서의 분체 프로세스
그림13. 분체 PI 구현 예(좌)와 ML 시스템 이미지(우)
(2) 포스트 코로나 사회의 원격화·자율화 기술을 활용한 성인(省人) 제조의 DX 가능성
그림14. 포스트 코로나 사회의 '성인(省人) 랩' 이미지
4-3. 일반재단법인 파인세라믹스센터(JFCC)/국립대학법인 규슈대학
(1) MI 활용을 통해 새로운 섬유아연석형 결정구조 강유전체 신 재료 발견
그림15. 섬유아연석형 ZnO의 원자구조와 분극반전기구
그림16. MI에 의한 섬유아연석형 결정구조의 강유전체 재료 탐색의 결과
(2) 주사투과형 전자현미경(STEM)을 이용한 원자의 직접관찰과 원자 위치 차이의 가시화 및 MI수법의 적용
①직경 23nm 나노입자에서의 원자 위치 차이의 가시화
그림17. (a)전자현미경 관찰 모식도, (b)각 관찰면에서의 원자 위치 차이의 모식도, 화살표가 차이의 방향과 크기를 나타낸다
그림18. (a)BaTiO3의 STEM상, (b)Ti 원자의 차이 크기와 방향을 나타낸 모식도
그림19. 원자 위치 정밀 결정 시 컴퓨터 프로세스의 흐름
②동작 중 유전체에서의 원자 위치 0.01nm 정밀도 직접관찰
그림20. 「원자분해능 전장인가 전자현미경법」의 모식도
그림21. (a)약 570V/cm의 전압인가 상태에서 관찰된 유전체의 STEM 상,
(b)그림(a)에 대응하는 SrTiO3 결정의 원자배열
그림22. STEM 상에서 원자위치의 오차를 평가한 결과 중 하나의 예]
③7pm의 전장유기 왜곡 직접관찰
그림23. (a)BaTiO3의 전장 유/무의 STEM 상
(b)결정 격자의 크기(격자상수)의 분포, (c)인가 전기장과 격자정수 변화의 관계
④머티리얼 DX 적용
4-4. 국립연구개발법인 물질·재료연구기구(MINS)
(1) 콤비나토리얼 박막합성
그림24. 콤비나토리얼 박막합성 플로우와 복수 원료 동시 증착 모식도
그림25. 콤비나토리얼 재료 탐색의 흐름
(2) 데이터의 축적·연계·이활용
그림26. DX화 시스템 구축
그림27. XRF 조성 2차원 맵핑 사례
그림28. 3인치 기판의 실장 예
그림29. ML을 도입하여 분석한 PYS 데이터
(3) 재료 개발 방법
그림30. 복수 수법의 융합에 의한 재료 탐색
4-5. 학교법인 메이지대학
(1) 화합물설계·분자설계·화학구조설계
① 물성추정모델 및 활성추정모델
그림31. 분자 설계의 모식도
②회귀분석 및 클래스 분류(모델링)
③분자 설계
그림32. 폴리머 설계를 위한 데이터
(2) 재료 설계
그림33. 열전재료 설계의 모식도
그림34. XRD에 의한 결정구조로부터 ZT가 미지의 유망 재료를 탐색하는 방법
(3) 프로세스 설계
①실험계획법
그림35. 효율적인 프로세스 설계(적응적 실험계획법)
(4) 제어 설계
그림36. 제어설계 모식도
5. 머티리얼 DX에서의 PI의 과제와 전망
제4장 MI(유기재료)
1. 머티리얼 DX의 유기재료
2. 머티리얼 DX이 적용되는 유기재료 분야
2-1. 분자 재료
2-2. 바이오 머티리얼
3. 머티리얼 DX의 유기재료의 시장규모 예측
그림·표1. 머티리얼 DX의 유기재료의 일본 및 WW 시장규모 예측(금액: 2025-2050년 예측)
그림·표2. 머티리얼 DX MI(유기재료)의 분류별 일본 국내 시장규모 예측(금액: 2025-2050년 예측)
그림·표3. 머티리얼 DX MI(유기재료)의 분류별 세계 시장규모 예측(금액: 2025-2050년 예측)
4. 머티리얼 DX의 유기재료 관련 기업·연구기관의 대응 동향
4-1. Kao 주식회사
(1) Kao의 MI에 대한 대응
그림1. Kao의 연구개발체제
(2) DL 기술을 이용한 신소재 개발방법의 개발~AI로 소재개발 기간을 대폭 단축~
①촉매의 사진을 이용한 활성의 예측 모델 작성
그림2. Cu촉매를 이용한 3급 아민화 반응과 촉매의 사진
그림3. 촉매의 사진을 이용한 촉매 활성 예측 모델의 프로세스
그림4. Cu촉매의 SEM사진(왼쪽)과 활성 상태를 나타내는 화상(오른쪽)
②폴리에스테르 수지의 화학 구조식을 이용한 Tg의 예측 모델 작성
그림5. Tg모델의 작성 과정
그림6. Tg에 영향을 미치는 화학구조
4-2. 학교법인 게이오기주쿠대학
(1) 소규모·실험 데이터를 이용한 MI적용의 의의
(2) 사례 ①:MI에 의한 프로세스 탐색~층상 물질로부터 고효율 나노시트 합성조건의 탐색~
그림7. 나노시트 합성에 대한 MI의 적용
그림8. 나노시트 합성 실험과 훈련 데이터 취득 방법
표1. 실측수율의 결과
(3) 사례 ②:MI에 의한 물질 탐색~LIB의 신규 유기 고분자 음극 활물질 탐색~
그림9. 전 유기 LIB를 목표로 한 활동
그림10. 추출한 3기술어를 이용한 용량의 예측에 이용한 음극 활물질로서 검토하지 않은 11화합물
그림11. MI에 의한 탐색으로 얻은 화합물 24의 고분자화에 의한 성능(용량·고 rate 특성·사이클 특성) 향상
(4) 소규모·실험 데이터를 MI에 적용한 결과
그림12. 일반적인 MI과 소규모 데이터에 따른 실험 주도 MI의 차이]
4-3. 학교법인 고가쿠인대학
(1) VAE(Variational AutoEncoder)를 이용한 리버스 디자인 기술
①리버스 디자인 기술
그림13. 재료 데이터를 이용한 ML로 새로운 재료를 역 설계하는 이미지
②VAE기술
그림14. VAE를 이용한 재료 탐색
③입력측의 연구
그림15. 질량 스펙트럼에서 잠재표현을 예측하는 Spectrum Encoder 모델
그림16. 2단계 학습순서를 나타낸 모식도
그림17. 예측결과
④출력측의 연구
그림18. VAE의 출력으로서 잠재표현 공간의 시각화
그림19. z공간에서 탐색범위를 확대한 예측 결과
4-4. 국립대학법인 시마네대학
(1) ML방법
그림20. 수리 모델의 입력과 출력 (왼쪽)기존 데이터를 이용한 학습 프로세스, (오른쪽)학습 완료 모델을 활용해서 예측치를 얻는다
그림21. SVM의 활용
그림22. GA와 GS조합
(2) ML을 이용한 고기능 촉매의 설계
그림23. 물성과 촉매활성의 관계 (왼쪽)통상적인 연구, (오른쪽)실험하지 않은 원소의 효과를 ML로 추정
그림24. 원소의 군집 분류
그림25. 새로운 첨가물의 탐색 순서
그림26. 미분방정식과 GA를 조합한 방법
그림27. 스펙트럼과 GA를 조합한 방법
4-5. 학교법인 주오대학
(1) 모리 연구실의 기본 콘셉트
그림28. 모리 연구실의 기본 콘셉트를 나타낸 모식도
(2) CO2를 분리 회수 가능한 이온액체(IL) 탐색을 위한 이론연구
①이온액체의 구성요소인 단분자 이온의 데이터베이스 구축
②음이온 효과에 초점을 맞춘 혼합 이온액체에 대한 데이터베이스 응용
그림29. 양이온과 음이온의 조합에서 얻을 수 있는 IL의 설계 지침으로서의 COSMO-RS법 이미지
③배기가스 CO2분리 수거성이 뛰어난 이온액체 예측을 위한 ML
그림30. 테스트 데이터 세트(10,000 IL)에 대한 각 가스의 헨리 상수 로그의 예측치(세로축)으로 계산치(가로 축) 사이의 상관
4-6. 미쓰비시케미컬 주식회사
(1) 머티리얼 DX를 가속하기 위한 HPC 도입
(2) IBM Q에 참가
(3) NISQ 디바이스를 이용한 여기상태의 에너지 계산방법
(4) 유기 EL의 발광 메카니즘과 타깃 샘플
그림31. 유기 EL의 발광 메커니즘
그림32. 계산에 이용한 TADF재료의 구조
(5) 계산방법으로 계산결과
그림33. 계산방법 (왼쪽)Step-I: 기저상태의 계산, (오른쪽)Step-II: 여기상태의 계산
그림34. 시뮬레이터의 계산결과와 실험치와의 비교
그림35. IBM 양자컴퓨터 실기의 계산결과 (왼쪽) qEOM-VQE법, (오른쪽)VQD법
(6) 양자 단층촬영 방법에 의한 우류 정정
그림36. 양자 단층촬영 기술을 이용한 오류 저감법의 계산방법
그림37. 단층촬영을 이용한 (왼쪽) qEOM-VQE법, (오른쪽)VQD법의 계산결과
5. 머티리얼 DX의 유기재료의 과제
댓글 없음:
댓글 쓰기