756810_ko-KR

liliconcom

JSL을 이용한 구조적 특성에 따른 공유결합 유기 골격의 분류에 대한 현대적 접근법 (2021-US-30MP-874)

미카엘 나자르코프스키, 리우데자네이루 교황청립 가톨릭 대학교(DQ PUC Rio) 화학과
Felipe Lopes de Oliveira, 리우데자네이루 연방대학교 화학연구소(IQ UFRJ)

공유결합 유기 골격(COF)은 하나 이상의 구성 요소를 공유 결합으로 연결하여 상향식으로 설계된 새로운 종류의 결정질 유기 나노다공성 물질입니다. 구성 요소의 양과 다양성이 매우 크기 때문에 합성 가능한 COF의 종류는 엄청나게 많습니다. 따라서 새로운 물질 합성을 안내할 수 있는 머신러닝 기법의 개발은 매우 중요합니다. 본 연구에서는 590개의 구조를 선별한 후, 밀도범함수 이론(DFT)과 그랜드 정준 몬테카를로(Grand-Canonical Monte Carlo) 방법을 사용하여 이러한 구조에 의한 CO2 또는 H2의 흡착 및 포집 엔탈피를 계산했습니다. 또한 분류 모델 개발을 시도했습니다.

본 연구에서는 JSL(JMP Pro 15)로 코딩된 비지도 학습(계층적 클러스터링, PCA) 및 지도 학습(다중 로지스틱 회귀, 나이브 베이즈, KNN, SVM) 방법을 이용하여 구조를 분류했습니다. COF는 2D와 3D로 분리되었습니다. 가장 큰 클러스터를 선택하여 구조별로 데이터를 계층화하는 지도 학습을 수행했습니다(2D 62.9%, 3D 37.1%). 이는 훈련/검증 비율의 불균형(80%/20%)을 방지하기 위함입니다. 질감 특성에 따른 2D/3D 분류는 모든 모델에서 100% 정확도(검증)로 성공적으로 수행되었습니다. 최적의 모델을 선택하기 위해 엔트로피 R², 일반화 R², 평균 -log(p) 등의 다른 지표들을 비교 및 ​​분석했습니다.

자동 생성된 녹취록...

스피커	성적 증명서
조쉬 스턴턴	남자 이름.
마이클 나자르코프스키	안녕 조쉬, 잠깐만 기다려줘.
	좋아요.
마이클 나자르코프스키	아, 네, 잘 작동하고 있어요.
조쉬 스턴턴	다행히 당신이 보여요, 감사합니다.
마이클 나자르코프스키	당신이 있는 동안.
	필리피를 기다리는 동안 그가 자기가 첫 번째라고 하더군요. 방금 10분 전에 그와 통화했는데, 지금 녹음하고 계신 거죠?
조쉬 스턴턴	네, 녹화가 시작됐네요. 이 부분은 편집해서 빼겠습니다.
	저희가 이것저것 살펴보고 필립이 합류하면 몇 가지 질문을 드린 후, 카메라와 아들을 끄고 여러분께 넘기겠습니다. 이제 시작해 주시면 감사하겠습니다. 이렇게 인터뷰에 응해주셔서 정말 고맙습니다.
마이클 나자르코프스키	아, 정말 감사합니다. 참여 기회에 대한 메시지를 받았을 때 정말 깜짝 놀랐어요.
	이번 행사는, 아니 정확히는 3~5회 정도 진행되는데, 제가 어떻게 알게 됐냐면 작년 10월에 열린 세션에 참석했었는데, 정말 감명 깊었어요. 주제들이 너무 잘 설명되어 있어서 올해도 이 기회를 놓치고 싶지 않았거든요.
조쉬 스턴턴	네, 정말 훌륭해요.
	음, 아시다시피, 안타깝게도 올해는 오프라인으로 진행되겠지만, 그래도 여전히 훌륭한 콘텐츠들이 많이 준비되어 있습니다.
	저희는 앞으로 여러분을 항상 즐겁게 참여하실 수 있는 오프라인 설명회에 초대할 수 있기를 바랍니다.
마이클 나자르코프스키	네, 그렇게 되기를 바랍니다.
	저는 작년 초부터, 특히 잠옷을 입을 때부터 잼을 사용하기 시작했어요.
	네네, 아주 빠르고 간단하게 말씀드리면 될 것 같습니다.
	네, 그리고 팬데믹이 실제로 많은 성공을 거두었나요? 그 결과 중 하나를 지금 이 프레젠테이션에서 확인하실 수 있을 겁니다.
	그리고 그에 관한 글도 쓰기 시작했고, 현재 공동 저자로 참여한 논문이 세 편 정도 있고, JMP도 활용하고 있습니다.
	어서 해봐요.
조쉬 스턴턴	예쁜 모든 것.
	빠른 학습, 바로 당신을 위한 것입니다.
마이클 나자르코프스키	아시다시피, 통계적 사고에 있어서는 물론 많은 도움이 됩니다.
	네, 그냥 네.
	응.
조쉬 스턴턴	우리는 과거에 분석을 수행하기 위해 오픈 소스를 사용해 왔습니다.
마이클 나자르코프스키	오픈소스를 말씀하시는 거죠?
조쉬 스턴턴	켜짐 또는 그 비슷한 것.
	그것을 다른 사람의 것으로 축소시키는 것.
마이클 나자르코프스키	아, 아니, 아니, 아니, 아니, 아니, 아시다시피 제가 파이썬을 배우기 시작했는데, 있잖아요.
	제 말은 학습 과정에서 발생하는 몇 가지 어려움을 극복하는 것을 의미합니다.
	저는 화학자이자 물리화학자인데, 지금 보시는 것처럼 화학 및 재료 과학 분야에서 이 모든 것을 활용하고 있습니다. 그래서 파이썬에서 MathLab으로, 그리고 Pro Six Road와 병행하여 진전을 이루기 위해 전환하기로 결정했습니다.
	Jeff의 Metalab용 머신러닝 인터페이스는 과학자들에게 충분하고도 남습니다.
조쉬 스턴턴	네, 네, 정말 좋은 소식이네요. 당신이 그 일을 잘 받아들이고 있고, 또 잘 해내고 있다니 정말 멋집니다.
마이클 나자르코프스키	그럼, 제가 필리피에게 문자 메시지를 보내볼게요.
	어이쿠, 무슨 일이야? 무슨 일이냐고? 한 시간 전쯤 인터넷 연결 문제로 어려움을 겪었대.
	알았어 알았어.
	그는 들어가려고 하고 있어요.
조쉬 스턴턴	그는 아직 합류하지 않았어요.
	이상한.
조쉬 스턴턴	실시간으로.
	그래서 비밀번호를 입력할 필요 없이 링크를 클릭하기만 하면 바로 접속이 가능했습니다.
마이클 나자르코프스키	음, 그냥 링크를 보내줬는데 비밀번호가 필요한지 기억이 안 나네요.
조쉬 스턴턴	사업을 하면 안 되죠.
마이클 나자르코프스키	그게 문제예요. 지금 그가 저한테 뭔가 문자를 보내고 있어요. 잠시만 기다려 주세요.
	오.
	아, 네, 문제는 줌(Zoom)이 또 다시 문제가 생겼고 지금 인터넷에 문제가 있다는 겁니다.
	오.
마이클 나자르코프스키	네, 한 시간 있어요.
조쉬 스턴턴	그는 지금 합류하고 있습니다.
마이클 나자르코프스키	오, 다행이네요.
	예.
펠리페 로페스	안녕하세요.
마이클 나자르코프스키	안녕하세요, 드디어 당신이 영웅이시네요! 프레젠테이션을 시작해 주시겠어요? 조쉬가 기다리고 있으니, 저희는 시간 맞춰 도착했습니다.
펠리페 로페스	네, 언제든지요.
조쉬 스턴턴	확실히, 언젠가는, 그러니까 그때가 올 거예요.
	만나서 반갑습니다. 제 이름은...
	조쉬, 내 말은, 난 그렇지 않다는 거야.
	녹화기를 보시고 몇 가지 질문만 드린 후, 제 카메라를 끄고 여러분께 넘기겠습니다. 이 부분은 나중에 편집할 예정입니다.
	좋아요.
	지금 녹음할 가치는 있지만, 나중에 그 부분은 편집할 거예요.
	몇 가지 말씀드릴 게 있어요.
	네, 그런 것 같네요.
	그래서 저희는 리우데자네이루 교황청 가톨릭 대학교 출신의 마이클 코스키와 로페스 데 라 비에하를 모셨습니다.
	여러분은 리우데자네이루 연방대학교에 가게 될 겁니다.
	커클랜드의 물 접근 방식 및 분류 또는 2021년 감옥 셀 대시 US 데스크 30 MP 대시 874를 사용한 질감 속성에 따른 프레임워크 획득이 맞는지 궁금합니다.
펠리페 로페스	예.
마이클 나자르코프스키	네, 전체 이름, 그러니까 성함을 알려주세요.
조쉬 스턴턴	네, 이제 제 본명을 알려드릴게요.
	이 녹화는 JMP Discovery Summit 컨퍼런스를 위해 진행되는 것이며, 공개적으로 제공될 예정입니다. JMP 사용자 커뮤니티 여러분께서 이 녹화 및 사용에 동의해 주시는지 확인해 주시기 바랍니다.
펠리페 로페스	네, 그렇습니다. 감사합니다.
마이클 나자르코프스키	좋아요, 그럼요.
조쉬 스턴턴	마이클, 잘 지내?
	네, 당연하죠.
	네, 일종의 비유죠.
	여러분들이 가지고 계신 것 같네요.
	휴대폰이 꺼져버리거나, 저처럼 그런 상황이 발생할 수도 있어요.
마이클 나자르코프스키	파괴해, 그래.
	방해가 될 만한 것은 무엇이든 꺼두겠습니다. 오래된 소리나 스카이웨이 같은 것도요. 이 요구 사항들을 기억해 두시고, 조지 씨, 세션 중에, 그러니까 세션 녹음 후에 저에게 말씀해 주세요. 그러면 관련 내용을 포착할 수 있을 겁니다. 그렇지 않으면 전체 내용이 그대로 남게 될 테니까요.
조쉬 스턴턴	네, 그래서 편집 없이 바로 방송될 거예요. 혹시라도 중간에 무슨 일이 생기더라도 편집은 없을 것 같아요.
	재앙적인 일이 일어났으니 처음부터 다시 시작할 수도 있겠지만, 제 생각엔 그냥 바로 통과시켜 줄 거예요. 걱정하지 마세요. 우리 모두 인간이잖아요.
	실수한 거잖아. 그냥 계속 해나가 봐. 누구의 잘못도 아니야. 완벽할 필요는 없잖아. 통계도 완벽하지 않으니까 너도 완벽할 필요 없어.
	계속하세요.
펠리페 로페스	아니요.
조쉬 스턴턴	죄송합니다.
	마이클, 괜찮을까요? 괜찮을 것 같나요?
마이클 나자르코프스키	네, 모든 게 괜찮아요. 모든 게 괜찮아요.
	네, 그렇습니다.
조쉬 스턴턴	우리가 방금 본 마지막 장면입니다.
	좋아요.
	네, 이미 잘 알고 있어요.
	좋아요, 작업 표시줄만 남겨주세요.
	이제 그렇게 하려고요.
	혹시 다른 질문 있으신가요? 아니면 발표 준비 거의 다 되셨나요?
	이다.
마이클 나자르코프스키	네, 그렇습니다.
	네, 그런 것 같아요.
펠리페 로페스	화면 공유해 주세요, 마이클. 화면 공유 방법은 어떻게 되나요?
마이클 나자르코프스키	당신은 형제분이세요?
	하지만 괜찮아 조쉬, 우리가 서로 화면을 공유한 후에 공유하는 건 기술적으로 괜찮아.
조쉬 스턴턴	네, 괜찮아요.
	슬라이드를 앞으로 넘기고 있는지, 그리고 슬라이드 진행 상황이 너무 뒤처지지 않는지 확실히 확인하세요.
마이클 나자르코프스키	네, 하지만요.
조쉬 스턴턴	네, 당연하죠. 여러분도 아시잖아요.
마이클 나자르코프스키	저희는 전체 프레젠테이션을 똑같이 진행할 것이고, 모든 부분이 함께 있으니 각자 차례대로 진행하면 됩니다. 괜찮습니다. 감사합니다.
조쉬 스턴턴	좋아요, 여러분 화면 공유 방법 아시죠? 줌 써보셨잖아요.
	예.
펠리페 로페스	여기서 급하게 출발할 준비를 하고 있는 중입니다.
	이것을 넣어주세요.
	예.
조쉬 스턴턴	배경 화면이 마음에 들어요.
펠리페 로페스	지금 제가 오른쪽 화면을 공유하고 있습니다.
마이클 나자르코프스키	다행이다, 모든 게 괜찮다.
펠리페 로페스	응.
	프레젠테이션이 문제죠.
	제가 화면으로 이동하는데 가끔 잘못된 화면으로 이동해서 오류가 발생하곤 합니다.
마이클 나자르코프스키	완벽해, 모든 게 완벽해.
조쉬 스턴턴	그거 좋아 보이네. 난 이제 꺼야겠다.
	지금 제 카메라가 고장났지만, 두 분께 넘겨드리겠습니다. 다시 한번 감사드립니다.
	제 생각엔, 그들이 원한다면 나중에 얘기해 볼 수 있을 것 같아요.
마이클 나자르코프스키	조쉬, 다시 만났으면 좋았을 텐데.
조쉬 스턴턴	알았어, 잘 가.
펠리페 로페스	안녕하세요 여러분. 제 이름은 펠리페 로페스 데 올리베이라입니다. 저는 리우데자네이루 연방대학교에 재학 중이며, 마이클과 함께 이 연구를 발표하려고 합니다.
	나자르코프스키 교수는 리우데자네이루에 있는 교황청 가톨릭 대학교 소속입니다. 오늘 저희는 JSL 소프트웨어를 이용한 구조적 특성에 따른 공유결합 유기 골격 분류의 현대적 접근법에 관한 연구를 발표합니다.
	따라서 공유결합 유기 골격은 탄소, 질소, 산소, 수소, 붕소와 같은 가벼운 원소로만 구성된 새로운 종류의 물질입니다.
	이 물질들은 유기적이고, 결정질이며, 나노다공성이고, 망상 구조 물질로서 매우 안정적입니다. 이는 이 물질들을 구성하는 화학 결합이 네트워크의 위상에 의해 결정되는 잘 정의된 기하학적 패턴을 따른다는 것을 의미합니다.
	이 이미지에서는 삼각형과 막대가 주기적으로 연결된 HCB형 격자의 예를 보여주고 있습니다.
	확장된 네트워크를 형성합니다. 이 삼각형과 막대는 분자를 나타내는데, 이러한 분자는 공유 결합으로 연결되어 확장된 구조를 형성하는 구성 요소라고 할 수 있습니다.
	이러한 자연의 기하학적 특징을 지닌다. 다양한 유형이 존재한다.
	분자의 기하학적 구조는 구성 요소로 사용될 수 있으며, 이러한 분자들을 연결하는 데 사용되는 여러 유형의 화학 결합이 있습니다.
	이러한 방식으로, 물리적, 화학적 특성 면에서 내부 구조를 정밀하게 제어할 수 있는 ???와 같은 매우 특정한 특성을 가진 구조를 형성하는 것이 가능합니다.
	??? 우리가 구성 요소로 정의한 것들을 생각해 보세요. 구성 요소를 레고 블록처럼 생각하면, 서로 다른 블록들을 사용하여 각기 다른 특징을 가진 다양한 구조물을 만들 수 있습니다.
	이 슬라이드에서는 2차원 및 3차원 공유 결합 유기 골격 구조를 구축하는 데 사용할 수 있는 다양한 토폴로지를 보여줍니다.
	또한 이러한 네트워크를 구축하기 위해 각 구성 요소가 사용해야 하는 형식도 설명합니다. 오른쪽에는 COF의 결정 구조 모델의 예를 보여줍니다.
	이는 향후 관심 있는 속성을 계산하는 데 사용될 ??? 네트워크를 포함합니다. 이 형식은 2차원 공유 결합층으로 구성된 구조를 형성하는 것을 알 수 있습니다.
	그리고 이러한 층들은 지리학의 3차원과 같은 방식으로 쌓여 있습니다.
	COF는 놀라운 변조 능력 덕분에 이종 촉매, 에너지 생산, 저장 등 매우 흥미로운 여러 응용 분야에 사용될 수 있습니다.
	유기 반도체, 화학 센싱, 단열재, 가스 포집 및 저장 등 다양한 분야에 사용됩니다. 하지만 모듈화 규모가 커짐에 따라...
	이러한 모듈화 규모가 커지는 것 또한 문제가 될 수 있지만, 이러한 소재의 개발은 실제로 매우 복잡합니다.
	그것들은... 대개 화학적 직관과 이용 가능한 분자들을 조합하여 개발됩니다.
	높은 ??? 값을 갖는 물질을 사용하여 여러 단계의 합성 및 특성 분석을 반복함으로써 이 물질이 얻어집니다. 이 물질은 개발되었습니다...
	이 소재의 개발은 매우 시간이 많이 걸리고 비용도 많이 들며, 20명이 넘는 전문가가 필요합니다. 그리고 때로는 이러한 모든 노력이 결실을 맺지 못하기도 합니다.
	원하는 특성을 가진 재료를 얻을 수 없습니다. 그래서 이 문제를 해결하기 위해 저희는...
	이 문제를 해결하기 위해, 우리는 이러한 재료들을 연구하고 개발을 가속화하기 위한 간단하고 효율적인 계산적 접근 방식을 제안합니다.
	우리는 처음에 구조 데이터베이스를 사용했는데, 현재는 선별된 COF 형태로 제공되며, 이 데이터베이스는 합성되어 문헌에 발표된 여러 구조를 모아놓은 것입니다.
	그런 다음 몇 가지 빌딩 루틴을 사용하여 해당 구조를 검증하고 모든 것이 정상인지 확인하는 값을 생성합니다. 다음으로 DFT 기반 방법을 사용합니다.
	전자 구조 계산 소프트웨어인 CP2K를 사용하여 구조의 원자 위치에 대한 자체 매개변수를 최적화합니다. 그런 다음 ZEO++라는 소프트웨어를 사용합니다.
	이는 기공의 기하학적 분석과 그 내부에 형성되는 ??? 네트워크 사이의 백분율 일치를 수행합니다.
	그런 다음 선택된 비용에 대한 구조적 설명자 세트를 결정합니다. 이것은 제 동료인 마이클이 JMP 소프트웨어로 여러 가지 매우 흥미로운 분석을 수행하기 위해 만든 스크립트입니다.
	자, 여기서는 저희가 사용하는 주요 구조들을 보여드리겠습니다. 먼저 구조 ID가 있는데, 이는 기본적으로 구조 이름에 대한 분류 체계라고 생각하시면 됩니다.
	다음으로 LIS(Large Included Sphere)가 있는데, 이는 재료의 기공 직경에 대한 정보를 제공합니다.
	우리는 LFS(대형 자유 구)와 LSFP(대형 구 자유 경로)를 가지고 있는데, 이는 기본적으로 대형 포함 구와 동일하지만 정보를 인코딩할 수 있습니다.
	기공 내 여러 기능화가 기공 직경에 미치는 영향의 차이를 분석했습니다. 또한 SSA와 SSAV(비표면적)도 측정했는데, 두 값 모두 제곱미터/그램 및 제곱미터/부피 단위로 나타냈습니다.
	AVF는 접근 가능한 부피 분율로, 재료 중 기공으로 구성된 부분의 비율을 나타내며, Vp는 기공 부피입니다.
	그리고 다음으로, 접근 가능한 채널 수를 나타내는 N(chan)이 있습니다.
	이 그림에서는 채널이 하나만 있는 구조를 보여주고 있지만, 3차원 재료는 접근 가능한 채널이 두 개 이상 있을 수 있습니다.
	채널의 차원은 1차원(이 구조처럼), 2차원, 3차원일 수 있습니다. 채널 크기는 기본적으로 기공 직경을 의미하지만, 특정 구조에서는 약간 다를 수 있습니다.
	자, 이제 마이클이 결과에 대해 간략하게 이야기해 보겠습니다.
마이클 나자르코프스키	네, 정말 감사합니다. 펠리페, 훌륭한 소개 말씀 정말 감사드립니다. 이제 본격적인 데이터 분석과 데이터 과학에 대해 이야기해 보겠습니다. 그럼 제가 화면을 공유할게요. 네, 지금부터 이렇게 하겠습니다.
	완벽해. 좋은 물건이네.
	자, 그럼 두 번째 파트의 처음부터 시작해 보겠습니다. 이제 펠리페가 얻은 이... 이... 이 엄청난 양의 구조물 데이터를 분석할 시간이 왔습니다.
	잠시만요. 네, 좋습니다. 첫 번째 단계, 그러니까 어떤 분석을 하기 전 시점부터는 데이터를 추출해서 오류가 있는 구조나 관련 없는 부분을 제외해야 합니다.
	그리고 결측값을 감지하기 위한 검사를 수행했습니다. 분석 및 검사 과정에서 결측값은 발견되지 않았습니다. 또한, 검사 후 다음과 같은 사실을 발견했습니다.
	데이터 시각화를 통해 사용 가능한 구조의 절대 다수가 85%와 15%의 비율로 3D 구조에 할당됨을 알 수 있습니다. 따라서 처음부터 불균형한 데이터 세트를 예측해야 합니다.
	채널은 단일 차원에 할당됩니다.
	채널 수는 훨씬 더 많습니다... 80% 이상이 3D 채널이고, 그중 거의 17%는 2D 채널이며, 2% 미만이 2D 채널입니다.
	또한, 이러한 모든 채널은 상당히 등방성이므로 모든 방향(X, Y, Z)에서 동일하며, 이는 데이터의 3차원 다이어그램에 반영됩니다.
	데이터를 2D 및 3D 구조로 나누어 분석해 보면, 1차원 및 2차원 구조가 전체 데이터의 90% 이상을 차지하는 것을 알 수 있습니다.
	3D, 그러니까 3차원 채널 말입니다. 거의 60% 이상이 3D 구조로 이루어져 있는데, 상당히 높은 비율입니다.
	3개 중 2D 구조도 마찬가지인데, 그 이유는 2D 구조가 훨씬 더 높은 값, 예를 들어 85% 정도를 가지고 있기 때문입니다.
	그러한 불균형을 피하기 위해, 즉 그러한 불균형을 피하기 위해
	이러한 상황에서 우리는 감독 없이 몇 가지 작업을 진행하고 있습니다.
	머신러닝의 지도 학습 방법과 함께 다양한 접근 방식을 사용합니다.
	데이터 준비 후에, 이러한 분석의 첫 번째 단계에서는 무엇을 할까요? 바로 다중공선성을 탐지하기 위한 다변량 분석입니다.
	그리고 매개변수들 간의 상관관계를 살펴보겠습니다. 보시다시피 처음 세 개(LIS, LFS, LSFP)는 상관관계가 매우 높으므로 하나를 다른 하나로 대체할 수 있습니다. 하지만 이러한 특성은 PCA 분석 시 매우 중요한 요소가 될 것입니다.
	(주성분 분석). 이것이 바로 계층적 클러스터링을 위해 그중 하나의 매개변수만 선택한 이유입니다.
	채널 크기에 대한 X, Y, Z의 경우에도 우리의 등방성은 동일한 의미를 갖습니다. 그러나
	이 모든 것을 유지하기로 결정했는데, 그 이유는 이것이 핵심 COF의 2D 화합물 구조의 고유 구조와 매우 밀접한 관련이 있기 때문입니다.
	구조물의 수가 거의 500개에 달하기 때문에, 전체 클러스터 중에서 비율 또는 비율을 고려했을 때 가장 의미 있고 관련성이 높은 13개의 클러스터를 선택하여 분석하기로 했습니다.
	평균의 경우
	표에 반영된 매개변수들입니다.
	보시다시피, 13이라는 숫자 다음에 또 다른 큰 숫자가 있습니다.
	클러스터링 감소... 클러스터 간 거리, 그래서 13이 최적의 클러스터 개수라고 가정했습니다. 그리고 그중에서 가장 큰 클러스터인 7번 클러스터를 선택했는데, 이 클러스터는 128개의 클러스터를 포함하고 있습니다.
	2D 구조의 샘플이므로, 이후 분류에 사용될 것입니다.
	반면에 3D 구조는, 어떻게 표현해야 할까요... 감히 말하자면 이미 동일하다고 할 수 있습니다. LIS, LFS, LSFP 사이에 여전히 높은 상관관계가 관찰되었으므로, 이것이 바로 그 이유입니다.
	클러스터 추출 조건은 2D 모델과 동일했습니다. 다만 클러스터 개수를 줄여서 7개로 설정했습니다. 그리고 이 7개의 클러스터 중에서 최소한 4개만 추출하여 유지했습니다.
	2D와 3D의 비율이 거의 같아질 것입니다. 하지만 완전히 같지는 않을 것입니다.
	하지만 다음 슬라이드에서 보시다시피, 85 대 15보다 훨씬 더 균형이 잘 잡혀 있을 것입니다.
	매개변수의 변동성에 대한 두 표를 비교해 보면, 두 경우 모두 마지막 네 개의 매개변수가 각 세트 내 구조의 변동성을 높이는 데 기여한다는 것을 알 수 있습니다. 부피 파쇄...분율...죄송합니다.
	총 기공 부피와 두 가지 유형의 비표면적 모두 동일한 수준이며, 구조 간의 변동성을 높이는 원인이 됩니다. 그래서 말씀드렸듯이, 우리는 더 적은 것을 얻었습니다...
	결과적으로 두 구조 간의 차이는 크지 않습니다.
	검증...학습된 검증 데이터는 두 세트로 구성되었으며, 얻어진 구조를 기반으로 계층화되었습니다...가장 규모가 크고 잘 분포된 클러스터에서 추출되었습니다.
	그럼 가장 간단한 모수 분석인 로지스틱 회귀 분석부터 시작해 보겠습니다. 가장 관련성이 낮은 변수들을 제거한 후,
	변수들을 고려했을 때, 우리는 총 기공 부피와 부피 분율이라는 두 가지 변수만 남겼습니다.
	둘은 상관관계가 매우 높습니다.
	상관관계의 상당 부분이 그렇습니다. 하지만 보시다시피, 죄송합니다만, 거의 같은 LogWorth 값이 필요하므로, 이를 배제할 수는 없습니다.
	예를 들어, 부피 분율... 분율이라고 하는 이유는 제가 한 번 시험해봤는데 그 부족함이 중요한 영향을 미쳤기 때문입니다.
	검증 단계에서 오분류율이 20%였습니다. 하지만 저희 연구에서는 검증 단계에서 오분류율이 0%로, 각 그룹에 정확하게 분류되었습니다.
	그리고 훈련 데이터셋에서 오분류율이 매우 낮습니다. 나머지 모델 성능 지표들은 모든 모델의 성능을 비교할 때, 특히 마지막 부분에서 더 자세히 논의할 것입니다. 또한 각 모델의 성능에 대해서도 살펴보겠습니다.
	확률을 예측하는 방정식, 예측된 구조가 생성되어 제시되었고, 얻어져서 제시되었습니다...이 슬라이드에 제시되어 있습니다. 그럼 더 나아가 보겠습니다. 이것이 바로 다음 슬라이드에서 다룰 내용입니다.
	모델링에서 우리는 이 두 가지 매개변수만 사용했습니다... 이 매개변수를 사용하여 2D 또는 3D 구조를 모두 예측했습니다. 따라서 비매개변수 모델로서 최근접 이웃 알고리즘을 사용한 것이 최상의 결과를 가져왔습니다.
	측정 지표...1K에서 최상의 성능과 검증 결과를 얻었으므로, 구조를 인식하고 할당하는 데에는 이웃이 하나만 있어도 충분합니다. 다이어그램에서 볼 수 있듯이...
	그러니까, 총 기공 부피와 부피 분율을 말하는 겁니다. 죄송합니다. 그래서 우리가 그걸 볼 수 있도록 말이죠.
	2D의 경우, 이 구조가 더 농축되어 있습니다.
	매우
	한 지점에 집중되어 있습니다. 하지만 3D와는 달리 상당히 퍼져 있습니다. 그래서 거리를 비교하는 것입니다. 슬라이드의 오른쪽 부분을 보면 이웃 간의 가장 먼 거리가 다음과 관련되어 있음을 알 수 있습니다.
	검증 세트와 훈련 세트 모두 3D 구조를 사용합니다. 따라서 이러한 비모수 모델도 사용할 수 있습니다. 단 두 개의 매개변수만을 사용하여 어트리뷰션에 적용할 수 있는 단일 비모수 모델입니다.
	또한 이차 판별 분석 결과 검증 세트에서는 오분류율이 0%이고 훈련 세트에서는 5% 미만의 오분류율(단 8개 샘플만 오분류)을 보였습니다. 따라서 혼동 행렬과 평행 플롯 다이어그램에서도 확인할 수 있듯이 매우 간단합니다.
	그리고 나머지 부분도...
	나머지 매개변수는 나중에 설명하겠습니다...이 모델에는 몇 가지 특수한 점이 있기 때문에 나중에 자세히 논의할 예정입니다...
	더 흥미로운 점은... 결국 어떻게 될지 지켜보겠습니다. 나이브 베이즈는 또 다른 매개변수 기반 모델이지만 매우 간단하며, 오분류율이 0%라는 결과를 보여주었습니다. 따라서 경쟁 구도가 상당히 치열해지고 있습니다.
	여기서 볼 수 있듯이 두 매개변수는 그 영향 면에서 거의 동일합니다.
	총 기공 부피에 대한 총 효과는 거의 0.88이고, 부피 분율에 대한 총 효과는 거의 8...0.8이므로, 이것이 바로 분류 작업에 대한 기여도가 거의 동일한 이유입니다.
	또한 예측을 위해 간단한 그래프도 작성되었습니다.
	서포트 벡터 머신(SVM)은 뛰어난 성능을 보여주지 못했습니다. 보시다시피, 최종적으로 오분류가 0인 모델을 구축하는 데 64개... 아니, 46개의 벡터가 사용되었습니다. 그리고 몇몇
	훈련에서 오분류율(6%)이 발생했으며, 특히 3D 데이터의 경우 오분류율이 가장 높았습니다.
	자, 그럼 좀 더 나아가 보겠습니다. 마지막으로, 비지도 학습과 지도 학습 방식을 결합한 복잡한 모델인 비지도 PCA에 대해 알아보겠습니다. 이 경우, 우리는 모든 데이터를...
	우리는 모든 변수, 심지어 서로 높은 상관관계를 가진 변수까지 포함하여 정량적인 연속 변수를 모두 고려했으며, 이를 기반으로 모델을 구축했습니다.
	PCA에 대한 다이어그램과 그래프입니다. 보시다시피, 두 개의 주요 구성 요소가 있으며, 그 값은 다음과 같습니다.
	카이저 법칙에 따라 두 개 이상의 구성요소가 존재하므로, 이 시점에서 거의 하나의 구성요소에 가까운 세 번째 구성요소가 하나 더 있지만, 이를 예측 모델에 포함시키지 않습니다. 우리는 처음 두 개의 구성요소만 사용할 것입니다.
	여기서 고유값이 1보다 큰 경우를 볼 수 있습니다. 흥미로운 점은, 거의 66%의 경우를 설명할 수 있는 첫 번째 주성분이 다음과 같은 요소들로 구성된다는 것입니다.
	예를 들어 LIS, LFS, LSFP와 채널... 채널 파라미터, 즉 크기 X, Y, Z와 같은 방향을 말하는 겁니다. 그러니까, 예를 들어 ??? 채널, ??? 채널 세트와 같은 거죠.
	그리고 두 번째 구성 요소는 대체로 양호하며, 특정 표면적과 다공성이라는 두 가지 유형으로 설명될 수 있습니다. 이것은 순수한 질감 매개변수입니다.
	따라서, 여기에서도 이러한 인증 차이를 확인할 수 있으며, 이 설명에서 두 매개변수가 예측에 미치는 영향에 대한 결론을 내릴 수 있습니다.
	구조입니다. 따라서 이 두 가지 주요 구성 요소만을 사용하여 로지스틱 회귀를 구축한 후, 그 공식은 저희 논문 초록과 향후 제출할 논문에 제시될 것이며, 해당 논문은 이번 학술대회 범위 내에 포함될 것입니다.
	여기서도 당연히 오분류율은 0%였고, 훈련 과정에서의 오분류율은 1% 미만으로 매우 낮았습니다. 이는 이전 모델에서는 볼 수 없었던 결과입니다. 이제 우리는 가장 중요한 부분에 도달했습니다.
	흥미로운 부분은 우리에 대한 결론입니다.
	요약하자면
	모델들입니다. 보시다시피, 훈련 세트의 오분류를 요약하면, 당연히 거기에 몇 가지 값이 있기 때문입니다. 로지스틱 회귀... 회귀 모델들을 볼 수 있습니다.
	단순 분석과 PCA 기반 분석처럼, 차트 상단에는 오분류율과 판별 분석 검증 결과가 모두 나타났습니다. 하지만
	여기서 우리가 말할 수 있는 것은, 모든 오분류 배열이나 정확도를 매개변수의 반대 개념으로 간주하고 다른 지표와 비교해야 한다는 것입니다.
	그래서 우리가 볼 수 있듯이, 좋습니다. 다른 지표에서도 더 높은 값이 나왔으므로 판별 분석이 유리합니다. 하지만 좀 더 자세히 살펴보면,
	우리는 보게 될 겁니다...모두가 이러한 지표들, 심지어 오분류율과 검증 및 훈련 데이터 간의 차이까지도 엄청난 차이가 있음을 알게 될 것입니다. 따라서 우리는 다음과 같이 할 수 있습니다.
	아시다시피, 저희는 과적합이나 과소적합 문제에 직면한 적이 있습니다. 이 경우, 메트릭 무효화가 과적합보다 더 효과적이기 때문에 주로 과소적합 문제를 다룹니다.
	훈련 과정에서는 보통 반대로 발생하죠. 대부분의 경우, 훈련 모델이 데이터에 과적합되어 검증에서 더 나쁜 지표를 얻게 되는 경우가 많습니다. 하지만 여기서는 완전히 반대되는 상황이 발생하기 때문에 이런 결과가 나오는 겁니다.
	엔트로피 R 제곱, 일반화 R 제곱, 평균 로그 P와 같은 지표와 오분류율도 포함됩니다.
	분석이 이루어졌습니다...이 네 가지 지표에 대한 차이점을 분석했으며, 이것이 바로 우리가 최고의 지표를 선택하는 이유입니다. 앞서 언급했듯이 판별 분석은 가장 높은 정확도를 보여주었습니다.
	하지만 성능의 질은 다른 지표들과 비교했을 때 훈련 과정에서의 검증 지표 간에 가장 큰 차이를 보이는 부분 중 하나입니다. 이 점을 기억하세요.
	검증 결과 모두 0을 반환했으므로 거의 모든 항목을 선택할 수 있다는 의미입니다.
	각각의 지표는 다른 지표들과 최적의 균형을 이루며… 검증과 훈련 간의 지표 차이를 보여줍니다. 예를 들어, 여기서 가장 낮은 값을 볼 수 있습니다…
	오분류율과 엔트로피 R 제곱 간의 차이가 가장 작은 것은 로지스틱 회귀 분석과 PCA를 결합한 결과입니다.
	일반화된 차이, 일반화된 R 제곱의 차이, 평균 log P와 같은 다른 두 가지 지표가 관찰됩니다.
	서포트 벡터 머신(SVM)의 경우, 나이브 베이즈(Naive Bayes)의 경우 적어도 두 가지 이유로 이 모델을 선택할 수 없습니다.
	매개변수에는 엄청난 차이가 있습니다. 그래서 이런 겁니다.
	최상의 성능과 가장 정확한 결과를 얻기 위해서는 PCA 기반 로지스틱 회귀 분석이 권장되며, 선택적으로 2D 및 3D 구조 예측을 위한 또 다른 모델로 서포트 벡터 머신(SVM)을 사용할 수도 있습니다. 더 자세한 내용은 다음을 참조하십시오.
	자세한 방법은 2주 이내에 제출할 논문에 설명되어 있습니다.
	그리고 JMP 커뮤니티 웹사이트에 게시하겠습니다. 정말 감사합니다. 이렇게 발표할 수 있어서 큰 기쁨이었습니다. 또한 이스라엘 예루살렘 히브리 대학교의 데이비드 키르마이어 교수님께도 감사의 말씀을 전합니다. 경청해 주셔서 감사합니다.
조쉬 스턴턴	괜찮은.
	감사합니다, 여러분.

고급 통계 모델링자동화 및 스크립팅기초 데이터 분석 및 모델링소비자 및 시장 조사콘텐츠 구성실험 설계예측 모델링 및 머신 러닝품질 및 공정 엔지니어링신뢰성 분석