| 초록 |
본 연구에서는 화합물의 SMILES(Simplified Molecular-Input Line-Entry System)및 이미지를 이용해 훈련시킨 강화 학습 모델을 통해 생분해성을 갖는 새로운 유기화합물의 생성 및 예측을 진행하였다. 수많은 유기화합물을 컴퓨터가 이해하기 쉽게 표현하기 위해 SMILES를 사용하고 같은 유기화합물에 대해 다른 SMILES와 이미지로 훈련을 진행함으로써, data의 증가와 함께 일반화 능력을 향상시켰다. 생성 모델로 Graphical Recurrent Unit(GRU)을 이용하여 빠르게 새로운 유기화합물의 SMILES를 생성하였다. 이 후, 유기화합물의 생분해성을 예측하는 모델로는 예측 정확도 향상을 위해 Convolutional Neural Network(CNN)과 Long Short Term Memory(LSTM)을 모두 사용하였고, 각각 분자구조 이미지와 SMILES data를 통해 학습 및 예측을 진행하였다. 나아가, 결과에 따른 Reward를 생성 모델에 줌으로써 생성 모델의 강화 학습을 진행하였다. 최종적으로, 빠른 시간내에 높은 정확도로 유기화합물의 생분해성을 예측하고 생분해성을 가지는 타당한 SMILES를 생성할 수 있었다. |
