화학합성을 위한 베이지안 최적화 사용 가능성 검토 및 성능 향상 가능성 확인

Abstract

원료 의약품 산업에서 실험실에서 수행하는 반응 최적화는 일반적으로 비용과 시간적 제약으로 인해 연구자의 직관과 일부의 최적 조건만 실험할 수 있다. 현대 기술의 발전으로 이러한 한계를 극복하기 위해 HTE (High Throughput Experimentation) 도입으로 수천 개의 포인트를 확인할 수 있게 되었으며, 향후 실험 설계를 위해 통계학적인 프로그램인 DOE (Design of Experiments)를 도입하였다. 하지만 이 또한 제한적인 실험 공간과 비용적 한계가 있다. 최근 베이지안 최적화 (Bayesian Optimization, BO) 기계학습을 적용해 화학 합성 분야에서의 활용 가능성을 제시하며, 구체적인 툴을 제시한 문헌이 등재되었다. 본 논문은 화학 반응 예측을 위한 BO를 기계학습 툴로 구현한 문헌1을 인용하여 BO를 이용한 화학 합성을 소개하며, 이를 구현하기 위한 알고리즘 중 일부인 군집화(clustering) 과정을 k-means에서 더 진보적 방법인 GMM (Gaussian Mixture Model) 알고리즘을 사용하여 성능 향상 확인이 목적이다. |In the drug substance industry, reaction optimization performed in laboratories is usually limited to experimentation with some optimal conditions and the intuition of the researcher due to cost and time constraints. In order to overcome this limitation with the development of modern technology, thousands of points can be checked by introducing HTE (High Throughput Experimentation), and DOE (Design of Experiments), a statistical program, was introduced for future experimental design. However, this also has limited experimental space and cost limitations. Recently, the literature that suggests the possibility of application in the field of chemical synthesis by applying Bayesian Optimization (BO) machine learning and presents specific tools has been registered. This paper introduces chemical synthesis using BO by citing literature1 that implements BO as a machine learning tool for chemical reaction prediction. The purpose is to check the performance improvement using the Gaussian Mixture Model (GMM) algorithm.