Derivative-Free and Physics-Guided Optimization Techniques for Energy Efficiency and Catalyst Design in Chemical Engineering

Abstract

이 연구는 화학공학 및 재료과학 분야에서 발생하는 최적화 과정의 효율성을 증대하며, 나아가 실제 산업에서 최적화를 활용하기 위함이다. 산업에서 비용 효율성을 추구하는 노력은 지속적인 우선 순위로 남아 있으며, 공학 시스템의 복잡성은 계속해서 증가하고 있다. 복잡한 수학 모델이나 계산적으로 요구되는 평가 요구될 때 전통적인 최적화 방법은 종종 어려움을 겪는다. 이에 대한 대안으로, 도함수가 없는 최적화 (DFO) 알고리즘이 떠오르고 있다. 이 알고리즘은 명시적인 수학적 방정식에 의존하지 않고 복잡한 매개 변수 공간을 탐색하는 경로를 제공한다. 그러나, 다양한 DFO 알고리즘이 이용 가능하더라도 특정 작업에 가장 적합한 알고리즘을 선택하는 것은 여전히 어려운 과제이다. 우리의 연구는 이러한 도전에 직면하여 다양한 문제 유형과 차원에 걸쳐 12가지 다른 DFO 알고리즘의 개별적인 장단점을 파악하고자 하였다. 이 과정에서 초기 최적화 단계에서의 효율성에 특별히 초점을 맞추어 12가지 DFO 알고리즘의 성능을 비교 분석하였다. 현대의 공학 작업이 점점 더 넓은 매개 변수 공간의 효율적 탐색을 요구하며, 가장 적합한 알고리즘을 선택하는 것이 매우 중요해지고 있다. 이에 따라 본 연구에서 엔지니어와 연구자들이 최적화 알고리즘을 선택할 때 잘 판단할 수 있도록 필요한 지식을 제공하고자 하였으며, 최종적으로 수소 생산을 위한 수증기메탄개질반응 (SMR) 공정의 열 효율을 최적화하는 데에도 적용하여 그 유용성을 확인하였다. 결과적으로 본 연구는 복잡한 수학적 표현과 비선형적 관계로 특징 지어지는 공학 최적화 작업에 대한 알고리즘 선택에 대한 실용적인 통찰력을 제공하고자 한다. 다음 연구로, 실제 세계의 공학 응용 분야로 확장하여 베이지안 액티브 러닝을 다목적 산소 진화 반응 (OER) 촉매 설계에 활용한다. 베이지안 최적화를 통해 촉매 설계 프로세스의 효율성과 효과성을 향상시키고자 하였으며, 밀도 범함수 이론 (DFT) 모델링을 통해 촉매에 대한 물리적 정보를 최적화 모델 구축에 통합하고자 하였다. 그 결과, DFT 모델링을 최적화 프레임워크에 통합함으로써 최적화 결과의 정확성과 신뢰성을 향상시키고 계산 비용을 줄일 수 있었다. 물리적 정보를 사전에 활용하여 촉매의 여러 특성을 만족시키는 다목적 베이지안 훈련 모델을 구축하고, 3원계 최적의 조성을 제안한다. 베이지안 최적화의 반복적 학습 과정을 활용하여 고성능 촉매 조성을 식별하는 속도를 높이고 실험 횟수를 최소화할 수 있다. 더 나아가, DFT 모델링을 통해 촉매에 대한 물리적 정보를 최적화 프로세스에 통합하는 것을 통해 AI 기반 촉매 설계 분야를 발전시키고자 한다.