1. 단일 사슬에서 발현되는 구조 시뮬레이션 DB제작 : 본 연구에서 제안하는 보틀브러시 공중합체의 구조는 AB형태와 용매(S)가 포함되어 있는 AB/S 혹은 ABC형태와 용매가 포함되어 있는 ABC/S 시스템이다.이러한 보틀브러시 공중합체의 구조, 브러시 및 백본의길이 (Nbr, Nbb), 그리고 ABC/S 간의 상호작용 파라미터에 의해 다양한 단일 사슬 조립으로 발현되는 구조를 생각할 수 있다. 본 연구에서는 AB/S 및 ABC/S 시스템의 단일사슬 자기조립 구조를 DPD 시뮬레이션을 통해 각각 1000개 이상 계산할 것이며, 학습할 열역학 파라미터를 5개 이상 선정하여 (radius of gyration Rg, eccentricity, 백본체인의 분포, 상 계면 등등) DB화를 통해 그래프 신경망 학습을 위한 기초 자료로 활용할 예정이다. 2. 보틀브러시 공중합체의 그래프 신경망 제작 및 학습 : 보틀브러시 공중합체의 그래프 신경망을 제작하는 것이 이번 연구의 핵심이다. 그래프 신경망은 최근 머신러닝 분야에서 가장 각광을 받고 있는데, 화공/재료 쪽에서 가장 성공한 모델은 격자구조를 가지는 소재의 Density Functional Theory(DFT) 결과를 예측하는 Crystal Graph Convolution Neural Network(CGCNN) 인데, 촉매 소재의 흡착에너지를 매우 높은 정확도로 예측을 한다. CGCNN에서 그래프 원자 벡터로 활용되는 값들은 원자의 그룹, 전기음성도, 원자부피, 전자친화도, 원자무게, 결합길이 등등이 들어가는데, 보틀브러시 공중합체와 같은 경우 결합길이가 모두 같으므로 비교적 간단하게 그래프를 설계할 수 있으며, 본드 벡터는 서로 연결이 되어있으면 1, 아니면 0으로 단순하게 설계할 수 있다. 또한, 그래프의 각 노드에서 핵심 인자가 될 것으로 예상하는 점은 원자의 종류(ABC or S) 및 상호작용 파라미터 값이며, 이들로 원자 벡터를 제작하면 DPD 시뮬레이션 상에서 단일 사슬의 구조 및 화학적 정보를 모두 포함한다고 생각할 수 있다. 그래프 설계가 끝나면 합성곱(convolution)을 통해 열역학 파라미터 및 특성값을 추출 할 수 있는데, 이를 앞서 만든 DB를 이용해서 학습하여 그래프 신경망의 MAE(mean absolute error)를 0.1 이하 수준으로 달성할 것이다. 이렇게 보틀브러시 공중합체의 구조/화학적 정보로 추출한 단일사슬의 파라미터는 다중사슬을 예측할 인자로 사용할 예정이다.