아연 이차 전지용 전해질 성분의 최적화를 수행하는 컴퓨팅 장치에 있어서,최적화 프로그램이 저장된 메모리 및상기 최적화 프로그램을 실행하는 프로세서를 포함하되,상기 최적화 프로그램은 상기 아연 이차 전지용 전해질에 포함되는 첨가제, 소수성 유기 용매 및 염의 조합에 의해 결정되는 목적 함수의 값이 최대가 되게 하는 상기 첨가제, 소수성 유기 용매 및 염의 조성비를 출력하는 기계 학습 모델을 포함하는 것이고, 상기 기계 학습 모델은 폐루프 베이지안 최적화 네트워크에 기초하여 학습된 것이고,상기 폐루프 베이지안 최적화 네트워크는 상기 첨가제, 소수성 유기 용매 및 염의 조성비와 상기 목적 함수 사이의 관계를 나타내는 미지의 함수로 정의되는 대리 모델 (surrogate model) 구축을 수행하는 것이고,상기 목적 함수는 전위창(ESW: electrochemical stability window) 및 부식 전위(Ecorr: corrosion potential)값을 포함하는 것인, 컴퓨팅 장치.

제 1 항에 있어서,상기 기계 학습 모델은,상기 첨가제, 소수성 유기 용매 및 염의 조성비가 각각 상이하게 설정된 복수의 샘플에 대한 1차 실험시 완전 용해된 샘플에 대한 추가 실험 결과를 기초로 통계 정보를 생성하고, 상기 생성된 통계 정보를 기초로 가우시안 프로세스 회귀 모델을 구축하고, 상기 가우시안 프로세스 회귀 모델을 상기 대리 모델로 이용하는 것인, 컴퓨팅 장치.

제 1 항에 있어서,상기 기계 학습 모델은,상기 1차 실험시 불완전 용해된 샘플에 대한 정보를 기초로, 설계 공간을 감소시키기 위해 상기 폐루프 베이지안 최적화 모델의 제약 조건으로 설정하는 것인, 컴퓨팅 장치.

제 1 항에 있어서,상기 기계 학습 모델은,상기 전위창을 정의하는 목적함수와 상기 전위값을 정의하는 목적함수가 최대화가되도록 초부피(Hyper volume)가 증가하는 방향으로 최적화를 진행하고,초부피가 증가하는 방향으로 다음 실험 지점의 추천 결과를 제공하는 것인, 컴퓨팅 장치.

제 1 항에 있어서,상기 기계 학습 모델은,상기 전위창을 위한 함수로서, LSV(Linear sweep voltammetry) 곡선의 차이 정보를 사용하여 산출되는 dLSV(differential linear sweep voltammetry curve)를 이용하는 것인, 컴퓨팅 장치.

제 1 항에 있어서,상기 첨가제는 α-CD, β-CD, 또는 γ-CD인 것이고, 상기 소수성 유기 용매는 C5-15 알케인인 것이고, 상기 염은 Zn(OTf)2, ZnSO4, 또는 Zn(TFSI)2 인 것인, 컴퓨팅 장치.

제 1 항에 있어서,상기 첨가제는 β-CD이고, 상기 소수성 유기 용매는 n-헥산이고, 상기 염은 Zn(OTf)2인 것인, 컴퓨팅 장치.

컴퓨팅 장치에 의해 수행되는 아연 이차 전지용 전해질 성분의 최적화을 위한 기계 학습 모델의 구축 방법에 있어서,상기 아연 이차 전지용 전해질에 포함되는 첨가제, 소수성 유기 용매 및 염의 조성비가 각각 상이하게 설정된 복수의 샘플에 대한 1차 실험시 완전 용해된 샘플에 대한 추가 실험 결과를 기초로 통계 정보를 생성하는 단계;상기 생성된 통계 정보를 기초로 가우시안 프로세스 회귀 모델을 구축하고, 상기 가우시안 프로세스 회귀 모델을 대리 모델(surrogate model)로 이용하여 폐루프 베이지안 최적화 모델을 생성하는 단계;상기 1차 실험시 불완전 용해된 샘플에 대한 정보를 기초로, 설계 공간을 감소시키기 위해 상기 폐루프 베이지안 최적화 모델의 제약 조건으로 설정하는 단계; 및상기 폐루프 베이지안 최적화 모델의 제약 조건에 기초하여, 상기 아연 이차 전지용 전해질에 포함되는 첨가제, 소수성 유기 용매 및 염의 조합에 의해 결정되는 목적 함수의 값이 최대가 되게 하는 상기 첨가제, 소수성 유기 용매 및 염의 조성비를 출력하는 기계 학습 모델을 구축하는 단계를 포함하는 것이되,상기 폐루프 베이지안 최적화 네트워크는 상기 첨가제, 소수성 유기 용매 및 염의 조성비와 상기 목적 함수 사이의 관계를 나타내는 미지의 함수로 정의되는 대리 모델 (surrogate model) 구축을 수행하는 것이고,상기 목적 함수는 전위창(ESW: electrochemical stability window) 및 부식 전위(Ecorr: corrosion potential)값을 포함하는 것인, 기계 학습 모델의 구축 방법.

제 8 항에 있어서,상기 기계 학습 모델을 구축하는 단계는, 전위창을 정의하는 목적함수와 상기 전위값을 정의하는 목적함수가 최대화가 되도록 초부피(Hyper volume)가 증가하는 방향으로 최적화를 진행하고,초부피가 증가하는 방향으로 다음 실험 지점의 추천 결과를 제공하는 것인, 기계 학습 모델의 구축 방법.

제 8 항에 있어서,상기 기계 학습 모델을 구축하는 단계는, 상기 전위창을 위한 함수로서, LSV(Linear sweep voltammetry) 곡선의 차이 정보를 사용하여 산출되는 dLSV(differential linear sweep voltammetry curve)를 이용하는 것인, 기계 학습 모델의 구축 방법.

제 8 항 내지 제 10 항 중 어느 한 항에 따른 아연 이차 전지용 전해질 성분의 최적화을 위한 기계 학습 모델의 구축 방법을 수행하기 위한 컴퓨터 프로그램이 기록된 비일시적 컴퓨터 판독가능 기록매체.