차세대 배터리 전해질 데이터화 예제
1️⃣ 차세대 리튬-황 및 리튬-공기 배터리 전해질 후보
| No | 화합물명 (Electrolyte Candidate) | SMILES | Morgan Fingerprint (128-bit 예시) |
|---|---|---|---|
| 1 | 1,3-Dioxolane (DOL) | C1COCO1 |
10110010000101101001010010010010001011000100001000101100000010100011001000100010101010000110101100010001000101100011000011001110 |
| 2 | Dimethyl Sulfoxide (DMSO) | CS(=O)C |
10010010110001001101100010010010010000101011010000101000100100001100100010101001010001000101001100010001001010001010100001101110 |
| 3 | Tetraethylene Glycol Dimethyl Ether (TEGDME) | COCCOCCOCCOCCOC |
11101010001101101001011010011010011001011010000110001000100101011001001010011001101010010010101100010110010110001001011011001001 |
| 4 | Fluoroethylene Carbonate (FEC) | O=C1OCC(F)O1 |
10110010011001001101100101100110011001001100010101001010100100101010101011011001001110101001001001001110101010100010110010010101 |
| 5 | Lithium Bis(fluorosulfonyl)imide (LiFSI) | N(S(=O)(=O)F)S(=O)(=O)F.[Li+] |
11011010110110100011011010010101010110011011010001001101100110100010010110100110011001110010011011010101101101010010101010010101 |
2️⃣ 데이터화 설명
- SMILES: 분자를 문자열로 단순화하여 저장, 머신러닝 모델 입력 및 DB 검색에 용이
- Morgan Fingerprint(FP): 분자의 구조적 특징을 반영한 고정 길이 비트 벡터. 화학적 기능기와 결합 패턴을 반영하여 분자 유사도 분석과 특성 예측 모델링에 활용
3️⃣ 활용 시나리오 (배터리 소재 개발)
- 신규 전해질 스크리닝: 수만 개 분자의 SMILES를 FP로 변환하여 전기화학적 안정성, 산화환원창, 점도 예측
- 리튬-황 배터리 최적화: DOL, DMSO 용매 조합 데이터셋을 기반으로 다황화리튬 용해도 모델링
- 고체 전해질 계면 안정성 예측: FEC, LiFSI 같은 첨가제 FP 데이터를 활용해 SEI 형성 효율을 예측
※ 실제 연구에서는 RDKit 라이브러리를 활용해 SMILES → Morgan Fingerprint 변환을 수행하며, 보통 1024비트 이상의 벡터를 사용합니다.
댓글 없음:
댓글 쓰기