화학 언어 모델(CLM)은 최근 모델(model) 규모, 연산량 및 데이터셋(dataset) 크기의 성장에 힘입어 신약 설계(de novo drug design)에 점점 더 많이 활용되고 있다. 그러나 설계 선택, 학습(training) 역학, 그리고 다운스트림 생성 품질 간의 관계는 여전히 잘 이해되지 않고 있다. 본 논문에서는 분자 표현(SMILES, SELFIES, SAFE), 토큰화(원자 수준 및 바이트 페어 인코딩), 모델 규모(0.5M~1B 매개변수), 누출이 통제된 데이터셋(MOSES, ChEMBL, PubChem, ZINC-22), 아키텍처(디코더 전용 및 인코더-디코더) 전반에 걸쳐 30,000회 이상의 실험으로 구성된 연산량 통제 CLM 스케일링(scaling) 연구를 제시한다. IsoFLOP 프로파일을 피팅하여 사전학습(pre-training) 손실(loss)의 명확한 스케일링 경향을 확립했으나, 이러한 개선이 목표 지향적 분자 설계에서의 상응하는 성능 향상으로 이어지지 않음을 확인했다. 층(layer)별 프로빙 및 희소 오토인코더 분석은 화학적 표현의 지속적인 발전을 보여준다. 즉, 화학적 구문은 조기에 포화되는 반면 의미론적 특성은 더 천천히 나타나며 추가적인 학습과 모델 규모 확장을 통해 점진적으로 접근 가능해진다. 이러한 표현적 이득은 평가된 프로토콜 및 오라클 예산 하에서 목표 지향적 생성의 개선세가 감소하는 현상과 공존한다. 본 연구를 통해 도출된 모델 제품군인 NovoMolGen은 최첨단(state-of-the-art) 결과를 달성하여, 신약 개발 작업 전반의 목표 지향적 분자 생성에서 기존 CLM 및 특화된 생성 모델을 능가한다. 이러한 발견은 화학적 표현 학습과 다운스트림 분자 설계 사이의 단절을 드러내며, 화학적 의미론을 보다 직접적으로 학습하는 사전학습 패러다임 개발의 필요성을 시사한다.
이질적 고체에서의 응력 국소화는 이종 재료 계면에 의해 좌우되며, 이 계면에서 변위장은 $C^0$ 연속성을 유지하는 반면 면내 응력은 강성 불일치로 인해 불연속적으로 변한다. 좌표 기반 물리 정보 신경망(PINN)은 이러한 불연속을 미리 정한 정규화 폭이나 가중 계면 페널티를 통해 표현하므로, 상(phase) 간 대비 변화를 어떻게 다루느냐에 따라 정확도가 민감하게 달라진다. 본 연구는 이질성을 시행 함수(trial field)가 아닌 이산화(discretization)가 담당하도록 한, 변분 방식의 레이블이 필요 없는(label-free) 물리 정보 그래프 신경망(PI-GNN)을 제안한다. 이 솔버는 적합(conforming) 적응형 메시 그래프 위에서 동작하며, 요소별로 구성 방정식(constitutive) 거동을 할당하고, 1차 도함수만 등장하는 단일 무가중 목적 함수로서 이산 총 퍼텐셜 에너지를 최소화한다. 구간별 선형 요소에서의 이산 에너지는 유한요소(FE) Ritz 범함수와 일치한다. 디리클레 조건은 페널티 항, 계면 가중치, 사전 지정된 전이 폭 없이 구성 방식으로 직접 부과된다. 2차원과 3차원의 미소 변형 탄성 및 유한 변형 Neo-Hookean 초탄성 문제 전반에 걸쳐 하나의 고정된 아키텍처, 옵티마이저, 손실을 사용했을 때, 강성비 $(E_{\mathrm{inc}}/E_{\mathrm{mat}}\in[10^{-2},10^{2}])$ 범위를 훑는 실험에서 von Mises 오차는 $3.58\%$ 이하로 유지된 반면, 강형식(strong-form) PINN은 $5.58\%$까지 나빠졌다. 변위 오차 역시 PINN은 $7.66\%$에 달했으나 PI-GNN은 $0.49\%$였다. 학습된 네트워크는 에너지 기반 PINN 대비 ($σ_{xx}$) 오차를 절반으로 줄였다($5.01\%$ 대 $10.94\%$). 학습 비용은 단일 FE 풀이보다 한 자릿수 이상 크므로, 이 구성은 일회성 FE 해석을 대체하기보다는 매개변수 대리 모델(surrogate)과 역 식별(inverse identification)을 위한, 변분적으로 일관되고 페널티가 없는 계면 표현 방식이다.