연구분야

Overview

IKST의 주요 목표는 서로의 강점을 보완적으로 활용하여 인도 과학자와 한국 과학자들 간의 협력을 강화하는 것입니다. IKST는 인도의 여러 기관들과 적극적으로 협력합니다. 또한, 광범위한 전산재료학에 참여하는 소규모 내부 R & D 팀을 갖추고 있습니다.

title one

IKST에 오신 것을 환영합니다

Image
Weight
-20

이론

IKST 팀은 이론 화학 및 자성 재료에 사용되는 다양한 모델의 확장에 관여합니다. 이종 촉매에 대한 확장 모델, 화학 반응에서 표면 자성의 역할, 자성 금속에서의 스핀-요동 추진 양자 상 전이, 제로 유출 인자를 통한 집단 분석 등의 연구를 수행합니다.

에너지 물질:

이들 물질은 에너지 저장 및 운송 장치의 특정 응용 분야를 위해 설계된 재료입니다. 우리 그룹은 주로 이들 장치의 전기화학적 반응을 위한 촉매 설계에 중점을 둡니다. 그리고, 주로 합금 기반 또는 화합물 기반 촉매를 연구합니다.

기능성 재료:

이들은 다양한 용도에 적합하게 맞춤형으로 사용할 수 있는 고유한 특성을 가진 재료입니다.

  • 강력한 희토류-비함유 영구 자석의 디자인.
  • 고효율 전자 장치용 III-V 반도체 합금

구조 재료:

이들은 항공 우주 및 자동차 산업에 폭넓게 적용되는 재료입니다. 차세대 적용 분야들에서는 강도가 높고 극한의 작동 조건을 견딜 수있는 경량 소재의 설계가 필수적입니다.

 

 

소프트웨어 개발

IKST 팀과 공동 연구자들은 시뮬레이션 환경 및 소스 코드 개발에 참여합니다.  IKST가 개발한 패키지 CINEMAS는 밀도함수이론 기반의 계산 시각화 및 후-처리를 설정하는데 사용할 수 있습니다. 반도체 내의 수송을 연구하기 위해, 비엔나 ab-initio 시뮬레이션 패키지 (VASP)와 연계된 AMMCR 코드를 개발했습니다. 이는 C ++로 작성되었으며 매우 빠릅니다. 이 작업은 IIT-Bombay와 공동으로 수행되었습니다. 화학 반응 및 확산 공정에 대한 전이 상태 및 활성화 장벽을 연구하기 위해, 인도과학원과(IISc)와 공동으로 여러 DFT 코드와 연결되는 파이썬 기반 코드, PASTA를 개발했습니다.  IISc 팀 및 IKST와의 추가 협력을 통해, 널리 사용되는 wannier90에 대한 후처리 코드를 개발했으며, 이는 공유 결합 물질의 화학적 결합을 연구하기 위해 사용할 수 있습니다.

Visit CINEMAS Microsite

현대에는 과학 출판물, 웹 콘텐츠, 온라인 문서 등과 같은 비교적 정형화되지 않은 방법으로 풍부한 정보를 이용할 수 있습니다. 텍스트 마이닝과 자연 언어 처리(NLP) 접근법은 텍스트 자원으로부터 귀중한 정보를 추출하고, 추출한 정보를 정교하게 관리하며, 이를 통해 새로운 지식을 구축하는데 매우 유용합니다. 최근 수 년 동안, 이들 방법은 광범위한 과학 문서에 대해 자동 텍스트 및 테이블 데이터 마이닝을 가능하게 했습니다. 우리는 IITKGP와의 협력을 통해, 연산 방법 데이터베이스와 온라인 및 오프라인 과학 문헌의 해당 결과를 자동 생성할 수 있는 프로그램을 개발하고 있습니다.

관련 과학 문헌은 휴대용 문서 형식(PDF) 또는 텍스트 형식으로 작성됩니다. 최근에는 머신러닝 및 딥러닝 방법을 사용해서 다양한 소재 특성을 예측하는

것이 상당히 주목을 받고 있습니다. 최근 제안된 크리스털 그래프 합성곱 신경망(CGCNN)은 여러 그래프나 크리스털 그래프를 통해 결정성 물질을 효과적으로 표현하는 방법입니다. 이들 그래프에 그래프 합성곱 신경망(GCN)을 적용함으로써, 각 노드의 표현을 얻을 수 있고, 최종적으로 전체 구조에 대한 하나의 잠재적 표현을 생성하기 위해 풀링 층을 사용할 수 있습니다.

현재 형태의 CGCNN의 주요 단점은 속성을 학습시키기 위해 큰 데이터 세트가 필요하다는 것입니다. 이 문제를 극복하기 위해, CGCNN 프레임워크 내에서 전이 학습 방법을 사용하는 방법을 개발할 계획입니다. 또한, Matminer와 같은 특정 온라인 도구의 뛰어난 기능을 통합하면 예측성이 향상됩니다. 이를 위해, IITKGP와 협력하여 패키지를 개발할 계획입니다.

Image removed.

머신러닝

머신러닝은 재료 과학에 새로 추가된 도구로, 실험 및 대량의 기능적 이론 계산에서 생성된 많은 데이터를 가지고 소재의 발견 및 설계를 크게 가속화할 수 있습니다. 최근에 IKST 연구원들은 머신러닝 기반 방법을 사용하여 재료 속성을 연구하는데 집중하고 있습니다. 최근에 우리는 머신러닝을 사용하여 많은 전이 금속(TM)의 표면에서 단원자 및 이원자 기체의 흡착 에너지를 예측했습니다. 흡착 에너지에 대한 우리의 추정치는 10개 이하의 기본 원자 특성을 가진 매우 근소한 평균 제곱근 오차 범위 내에 있습니다. 
 머신러닝 모델의 중요한 특징을 토대로, 압축 감지 기술을 사용하여 흡착 에너지를 계산하는 일련의 수학식을 구성했습니다. 비슷한 접근 방식을 사용하여, 고효율 광전지 용도에 필요한 이상적인 값에 근사한 밴드갭을 갖는 새로운 III-V 3진 반도체 재료를 예측했습니다.