소규모 데이터셋을 이용한 머신러닝 기반 예측적 무기 합성: 유체역학적 직경이 제어된 Cu 나노입자 사례 연구
Predictive Inorganic Synthesis based on Machine Learning using Small Data sets: a case study of Hydrodynamic Diameter-controlled Cu Nanoparticles
Cu 나노입자(Cu NPs)는 광범위한 적용 가능성을 가지지만, 그 합성은 반응 매개변수의 미세한 변화에 민감하다. 이러한 민감성은 실험적 최적화가 시간과 자원을 많이 소모한다는 특성과 결합되어, 재현 가능하고 크기가 제어된 합성을 달성하는 데 있어 중대한 과제를 제기한다. 머신러닝(ML)은 재료 연구에서 유망성을 보이고 있지만, 그 적용은 대규모 고품질 실험 데이터셋의 부족으로 인해 종종 제한된다. 본 연구는 25회의 합성으로 이루어진 소규모 데이터셋을 사용하여 Cu 나노입자의 DLS 기반 유체역학적 직경을 예측하기 위해 ML을 탐구한다. 실험 데이터셋을 구성하는 동안 매개변수 공간을 효율적으로 포괄하기 위해 라틴 하이퍼큐브 샘플링(Latin Hypercube Sampling)이 사용된다. 앙상블 회귀 모델은 제한된 데이터셋에도 불구하고 양호한 예측 성능으로 유체역학적 직경을 성공적으로 예측한다. 정량적 회귀에는 고유한 DLS 기반 유체역학적 직경이 필요하므로, 회귀 모델은 단일 모드(mono-modal) DLS 분포로 제한되며, 이를 보완하는 분류 모델이 정량적 예측이 적용 가능한 합성 조건을 식별한다. 동등한 아웃오브샘플(out-of-sample) 검증을 사용했을 때, ML 모델과 DoE 모델은 비슷한 일반화 성능을 보였다. 최종 앙상블 모델은 DoE 모델의 0.60에 비해 R2=0.74를 달성했으며, 전체 합성 매개변수 공간을 유지함으로써 합성 가이드에 더 적합함을 보였다. 또한, 큰 입자와 작은 입자를 구분하기 위해 랜덤 포레스트와 LLM을 모두 사용하는 분류 모델이 평가되었다. 이러한 분류 모델은 다소 낮은 예측 성능만을 보였으며, 이는 이 소규모 데이터셋이 복잡한 LLM의 역량을 완전히 활용하기에는 불충분함을 나타낸다. 전반적으로, 본 연구는 신중하게 선별된 소규모 데이터셋이 견고한 고전적 ML과 결합될 때 Cu 나노입자의 합성을 효과적으로 지원할 수 있음을 보여주며, 실험실 규모 연구에서는 LLM과 같은 복잡한 모델이 제한적인 이점을 제공할 수 있음을 강조한다.