디포뮬레이션은 알려진 제품의 정확한 성분을 파악하는 과정입니다. 알려진 성분들의 상대적 비율에서 시작하여 각 성분의 정확한 양을 결정합니다. 디포뮬레이션은 화학적 역공학이라고도 합니다.
화학 제품 디포뮬레이션을 통해 기업은 다음을 수행할 수 있습니다:
- 기존 제형에서 새로운 레시피 도출.
- 경쟁 정보 개선.
- 경쟁 제품 벤치마킹.
- 위조품 식별.
- 자체 브랜드(PB) 제품 개발.
연구자들이 화학 물질 및 소재의 발견과 최적화를 위해 머신러닝을 활용하고 있지만, 디포뮬레이션은 일반적으로 분석 화학 방법을 사용하여 실험적으로 수행됩니다. 화학 제형에 대해 구조화된 데이터가 상대적으로 부족하여 AI 기반 디포뮬레이션 연구에 어려움이 있습니다. 널리 이용 가능한 제형 데이터의 상당 부분은 성분과 그 함량에 대한 기록이 불완전하고 일관성이 없습니다.
데이터 기반의 신속한 제형 레시피 제안을 위한 예측 모델 학습
Industrial Engineering Chemistry Research 간행물인 Toward Predictive Chemical Deformulation Enabled by Deep Generative Neural Networks는 비지도 생성 모델인 변이형 오토인코더(VAE)를 학습시켜 데이터 기반의 신속한 제형 레시피 제안이 가능함을 보여줍니다.
CAS 과학자가 큐레이션한 제형 데이터로 학습된 VAE 신경망은 데오도란트 및 구강 관리 제품 등 다양한 제품군에서 기존 방식보다 평균적으로 더 우수한 성능을 보이는 제형의 의미 있는 표현을 학습합니다. 이 논문에 따르면, 이 접근 방식은 "최근접 이웃 방식보다 훨씬 정확한 추정치를 생성하고, 이전에 본 적 없는 제형에 대해서도 더 나은 외삽 성능을 보이며, 산업적으로 유용한 기능을 위해 대규모 데이터셋을 활용할 수 있는 방법을 제공합니다."
CAS Content Collection™에 포함된 큐레이션된 제형은 제형과 그 구성 성분의 화학적 정체성에 대해 일관되고 고도로 구조화된 표현을 제공합니다. 전문 기술과 과학적 전문 지식을 모두 활용하는 고유한 큐레이션 프로세스 덕분에, CAS는 각 제형의 화학 성분, 그룹화 및 함량을 일관되게 식별할 수 있습니다. 저자들은 "CAS 데이터셋이 없었다면 디포뮬레이션 응용을 위한 이러한 생성 모델의 실질적인 검증은 불가능했을 것"이라고 보고합니다.
전체 간행물 "Toward Predictive Chemical Deformulation Enabled by Deep Generative Neural Networks"에서 이러한 연구 결과를 확인해 보십시오.
더 정확한 디포뮬레이션 예측을 원하십니까? CAS Custom Services는 귀하의 고유한 요구 사항을 충족하기 위해 전문 기술, 과학적 전문 지식 및 독보적인 콘텐츠를 맞춤 제공합니다.
