제1항에 있어서,상기 3차원 쿨롱 밀도 지도(3D coulombic density map)로부터 퀀텀 닷(Quantum dot)의 중심부(core)와 주변부(shell)의 계면 및 형상을 얻는 단계;를 더 포함하는, 퀀텀 닷(Quantum dot)의 분석 방법.

제1항에 있어서,상기 특징 추출 기계(Feature extraction machine)를 훈련하는 단계;를 더 포함하는, 퀀텀 닷(Quantum dot)의 분석 방법.

퀀텀 닷(Quantum dot)의 2차원 이미지 다수를 수집하는 단계;상기 2차원 이미지 다수로부터 상기 퀀텀 닷(Quantum dot)의 3차원 구조를 재구성하여, 3차원 쿨롱 밀도 지도(3D coulombic density map)을 수집하는 단계; 상기 3차원 쿨롱 밀도 지도(3D coulombic density map)의 최고점(peak)으로부터 입력부를 수집하는 단계;상기 입력부를 특징 추출 기계(Feature extraction machine)에 입력하여 제1 출력부를 출력하는 단계;상기 3차원 쿨롱 밀도 지도(3D coulombic density map)를 구면좌표계로 변형하여, 상기 최고점(peak)의 위치와 관련된 제2 출력부를 얻는 단계; 및상기 3차원 쿨롱 밀도 지도(3D coulombic density map)의 복수 개의 상기 최고점(peak)들로부터 얻어진 각각의 상기 제1 출력부들 및 상기 제2 출력부들을 이용하여 퀀텀 닷(Quantum dot)의 구조를 분석하는 단계;를 포함하는, 퀀텀 닷(Quantum dot)의 분석 방법.

제1항에 있어서,상기 입력부는 상기 3차원 쿨롱 밀도 지도(3D coulombic density map)의 상기 최고점(peak)의 중심으로부터 획득한 7x7x7 복셀(voxel)인, 퀀텀 닷(Quantum dot)의 분석 방법.

제1항에 있어서,상기 특징 추출 기계(Feature extraction machine)은 합성곱 신경망(Convolutional Neural Network, CNN)을 포함하는, 퀀텀 닷(Quantum dot)의 분석 방법.

제3항에 있어서,상기 특징 추출 기계(Feature extraction machine)는 합성곱층(convolution layer), 평탄화층(flatten layer), 및 완전연결층(fully connected layer)들을 포함하는, 퀀텀 닷(Quantum dot)의 분석 방법.

제4항에 있어서,상기 특징 추출 기계(Feature extraction machine)은 3개의 상기 합성곱층(convolution layer)들, 1개의 상기 평탄화층(flatten layer), 및 3개의 상기 완전연결층(fully connected layer)들을 순차적으로 포함하는, 퀀텀 닷(Quantum dot) 분석 방법.

제5항에 있어서,상기 제1 출력부는 마지막에 배치된 상기 완전연결층(fully connected layer) 이전에 출력되는, 퀀텀 닷(Quantum dot) 분석 방법.

제1항에 있어서,상기 제1 출력부는 상기 3차원 쿨롱 밀도 지도(3D coulombic density map)의 상기 최고점(peak) 위치의 특징 벡터(feature vector)인, 퀀텀 닷(Quantum dot) 분석 방법.

제7항에 있어서,상기 특징 벡터(feature vector)는 10개의 숫자로 구성된, 퀀텀 닷(Quantum dot) 분석 방법.

제1항에 있어서,상기 제2 출력부는 변형된 구면좌표계에서 상기 3차원 쿨롱 밀도 지도 (3D coulombic density map)의 상기 최고점(peak)의 위치 벡터(position vector)인, 퀀텀 닷(Quantum dot) 분석 방법.

제9항에 있어서,상기 위치 벡터(position vector)는 3개의 숫자로 구성된, 퀀텀 닷(Quantum dot) 분석 방법.

제1항에 있어서,상기 3차원 쿨롱 밀도 지도(3D coulombic density map)의 복수 개의 상기 최고점(peak)들로부터 얻어진 각각의 상기 제1 출력부들 및 상기 제2 출력부들을 이용하여 퀀텀 닷(Quantum dot)의 구조를 분석하는 단계에서,복수 개의 상기 최고점(peak)들로부터 얻어진 각각의 상기 제1 출력부들 및 상기 제2 출력부들을 K-평균 군집화(K-means clustering)하여 복수 개의 그룹들로 분류하는, 퀀텀 닷(Quantum dot)의 분석 방법.

제11항에 있어서,상기 복수 개의 그룹들을 특정 원자와 대응시켜 퀀텀 닷(Quantum dot)의 구조를 분석하는, 퀀텀 닷(Quantum dot)의 분석 방법.

퀀텀 닷(Quantum dot)의 2차원 이미지 다수를 수집하는 단계;상기 2차원 이미지 다수로부터 상기 퀀텀 닷(Quantum dot)의 3차원 구조를 재구성하여, 3차원 쿨롱 밀도 지도(3D coulombic density map)을 수집하는 단계; 상기 3차원 쿨롱 밀도 지도(3D coulombic density map)의 최고점(peak)으로부터 입력부를 수집하는 단계;상기 입력부를 특징 추출 기계(feature extraction machine)에 입력하여 위치 벡터(feature vector)를 출력하는 단계;상기 3차원 쿨롱 밀도 지도(3D coulombic density map)를 구면좌표계로 변형하여, 상기 최고점(peak)의 위치와 관련된 위치 벡터(position vector)를 얻는 단계; 및상기 3차원 쿨롱 밀도 지도(3D coulombic density map)의 복수 개의 상기 최고점(peak)들로부터 얻어진 각각의 상기 특징 벡터(feature vector)들 및 상기 위치 벡터(position vector)들을 이용하여 퀀텀 닷(Quantum dot)의 구조를 분석하는 단계;를 포함하는, 퀀텀 닷(Quantum dot)의 분석 방법.

제15항에 있어서,상기 입력부는 상기 3차원 쿨롱 밀도 지도(3D coulombic density map)의 상기 최고점(peak)의 중심으로부터 획득한 7x7x7 복셀(voxel)인, 퀀텀 닷(Quantum dot)의 분석 방법.

제15항에 있어서,상기 특징 추출 기계(Feature extraction machine)는 합성곱 신경망(Convolutional Neural Network, CNN)을 포함하는, 퀀텀 닷(Quantum dot)의 분석 방법.

제17항에 있어서,상기 특징 추출 기계(Feature extraction machine)는 3개의 합성곱층(convolution layer)들, 1개의 평탄화층(flatten layer), 및 3개의 완전연결층(fully connected layer)들을 순차적으로 포함하는, 퀀텀 닷 분석 방법.

제15항에 있어서,상기 3차원 쿨롱 밀도 지도(3D coulombic density map)의 복수 개의 상기 최고점(peak)으로부터 얻어진 상기 각각의 상기 특징 벡터(feature vector)들 및 상기 위치 벡터(position vector)들을 이용하여 퀀텀 닷(Quantum dot)의 구조를 분석하는 단계에서, 복수 개의 상기 최고점(peak)으로부터 얻어진 각각의 상기 특징 벡터(feature vector)들 및 상기 위치 벡터(position vector)들을 K-평균 군집화(K-means clustering)하여 복수 개의 그룹들로 분류하는, 퀀텀 닷(Quantum dot)의 분석 방법.

제19항에 있어서,상기 복수 개의 그룹들을 특정 원자와 대응시켜 퀀텀 닷(Quantum dot)의 구조를 분석하는, 퀀텀 닷(Quantum dot)의 분석 방법.