alphaladderparticle.ai

이 이메일 도메인이 관측된 논문 1건

arXiv:2609.22233v1cs.LG

SCALE: 에너지 소재를 위한 시뮬레이션 보정 상각 학습 (결정론적 모델링, 실세계 데이터, 트랜스포머 규모 추론을 연결하여 에너지 소재 발견을 가속하는 하이브리드 아키텍처)

SCALE: Simulation-Calibrated Amortized Learning for Energy Materials (A hybrid architecture connecting deterministic modeling, real-world data, and transformer-scale inference for accelerated energy-materials discovery)

에너지 시스템은 안보, 경제성, 회복탄력성, 지속가능성이라는 요구가 동시에 강해지는 압력에 직면해 있으며, 이에 따라 실제 적용 가능한 에너지 소재를 더 빠르게 발견할 필요가 생기고 있다. 본 연구에서는 결정론적 과학 연산자, 실험적 보정, 확장된 보정 레이블 생성, 트랜스포머 규모 추론을 연결하는, 물리 기반이며 실세계 데이터로 보정되는 학습 아키텍처인 SCALE(Simulation-Calibrated Amortized Learning for Energy Materials, 에너지 소재를 위한 시뮬레이션 보정 상각 학습)을 소개한다. SCALE은 선별된 고비용 기전(mechanistic) 계산과 측정된 증거를 빠른 스크리닝, 순위 산정, 역설계, 능동 학습에 재사용할 수 있는 모델로 변환한다. 우리는 이 프레임워크를 정식화하고, 방법론에 기반한 열 가지 응용 영역을 식별하며, 고체 금속 수소화물 수소 저장 용량 예측에 SCALE을 적용해 보인다. 이 구현에서는 수소화물 상평형 용량 연산자를 측정된 ML-HydPARK 용량 앵커 381개에 맞춰 보정하고, 이를 사용하여 후보-조건-프로토타입 교사(teacher) 레이블 5,000개를 생성한다. 결정학적으로 고정된(crystallographically anchored) 주기적 그래프 표현은 화학식만을 사용하는 인코딩에는 없는 원자 위치, 주기적 이웃 관계, 국소 금속 환경을 보존한다. 파라미터 290만 개의 엣지 편향 그래프 트랜스포머는 보정된 교사 레이블을 재현하며, 5-폴드 대리 모델 충실도는 MAE 0.0582 wt% H2, RMSE 0.0833 wt% H2, R2 = 0.9927, Pearson r = 0.9963이다. 사후(post hoc) 어텐션 분석은 SCALE이 화학 그룹 레이블을 지도 신호로 사용하지 않고도 기존 수소화물 화학과 부합하는, 화학적으로 조직화된 원소 그룹과 금속-금속 관계를 학습함을 시사한다. 일단 학습되면 SCALE은 백만 개 후보 평가를 반복적인 결정론적 워크플로 실행에서 배치 단위의 학습된 추론으로 전환하여, 시뮬레이션 및 실험 증거와의 연결을 유지하면서 후보당 스크리닝 비용을 약 10^7~10^8배 줄인다.