상 안정성에 대한 지식은 재료 설계의 첫 번째 요건이며, 새로운 재료를 합성할 수 있는 조건을 예측하는 것은 자율 주행 실험실(SDL)의 핵심 역량이 되었다. 무기 재료, 특히 합금의 경우 이러한 예측은 CALPHAD 방법으로 구축된 열역학 데이터베이스에서 나온다. 그러나 데이터베이스를 구축하려면 여러 단계에서 전문가의 판단이 필요하고, 이러한 결정이 거의 기록되지 않기 때문에 다른 사람들은 데이터베이스를 사용할 수는 있어도 이를 재생성하거나 갱신할 수 없다. 기계는 이미 데이터를 수집하고, 기계학습 원자간 퍼텐셜로 첫 모델을 구축하며, 실험 결과에 맞춰 이를 정제할 수 있다. 그러나 이러한 부분들을 신뢰할 수 있는 데이터베이스로 만드는 일련의 판단인 평가 자체는 여전히 인간 전문가가 수행한다. 우리는 평가의 배후에 있는 전문가 지식이 형식적 프로토콜로 부호화될 때에만 재현 가능하게 자동화할 수 있으며, 그래야 평가가 매개변수뿐 아니라 구축 과정의 기록도 제공한다고 주장한다. 우리는 이 기록을 재현 가능하고 자동화 가능한 프로토콜로 조직하는 표준인 ORCHID-SAGE를 소개한다. 이 첫 시도에서 Cr-Ni에 적용하여, 데이터베이스를 그 기록으로부터 두 번째 기계의 스크립트로, 모델 컨텍스트 프로토콜(MCP)만을 통해 작업하는 AI 에이전트로, 그리고 공개된 출처만을 이용한 재적합으로 재생성했으며, 모두 동일한 예측을 얻었다. 이렇게 기록하면 데이터베이스는 더 이상 발표 시점에 고정될 필요가 없고, SDL과 다른 출처가 새로운 증거를 제공함에 따라 AI 에이전트가 갱신할 수 있으며, 판단은 사람에게 남고 기록에 남는다.
Estimating physical parameters from scientific images is a common inverse problem in materials characterization that often relies on expensive physics-based simulations. In electron microscopy, specimen thickness and crystal mistilt are critical parameters that govern how electrons scatter through the sample, and therefore the accuracy of any atomic-scale structure recovered from it. They are commonly inferred by matching experimental position-averaged convergent-beam electron diffraction (PACBED) patterns to simulated ones, but grid searches scale poorly and neural-network methods require extensive pretraining that may not transfer to new conditions. Here, we propose scalable Bayesian optimization of composite functions (SBOCF), a simulation-efficient method that exploits the known composite structure of the image-matching objective and the intermediate information contained in simulated images. By representing PACBED images with patch-level summaries and two correction terms, SBOCF preserves the original pixel-wise objective while reducing the number of modeled outputs from 24,649 to 11. Under a budget of 50 simulator evaluations, SBOCF outperformed standard Bayesian optimization with expected improvement on synthetic SrTiO3 benchmarks with thick and thin specimens, reducing the median final SSE by up to 290 times in the thick-sample case. On experimental data, SBOCF produced parameter estimates consistent with previously reported values without task-specific pretraining. For a simulated mistilted specimen, using the SBOCF estimates in a downstream ptychographic reconstruction recovered sharp atoms that were otherwise blurred. These results establish SBOCF as a promising approach for inverse problems involving expensive simulators and high-dimensional structured outputs.
새로운 결정질 소재의 탐색은 방대한 조성 및 구조 공간에 걸쳐 있다. 이 공간에서 후보를 생성하려면 원소 조성, 결정학적 대칭성, 결정 기하 사이의 관계를 모델링해야 한다. 공간군은 결정의 대칭성을 규정하고 허용되는 Wyckoff 위치와 기하학적 자유도를 결정하는데, 이를 미리 고정하면 변화하는 Wyckoff 점유와 원소 조성의 정보를 이용해 이 전역적 대칭성 선택을 수정할 수 없다. 본 논문은 공간군이 Wyckoff 점유 및 원소와 함께 공진화하는 완전한 결정 생성을 위한 최초의 프레임워크인 DynaCrys를 소개한다. 결정학적 군-부분군 관계를 명시적으로 반영하는 물리 기반 공간군 확산과, 호환되는 공간군, Wyckoff 점유, 원소를 공동으로 샘플링하는 합법성 제약 확률적 디코더를 개발하고, 이어서 대칭성 제약 기하 생성을 수행한다. 표준 벤치마크에 대한 대규모 평가에서 DynaCrys는 빠른 샘플링을 지원하면서 대칭성 인식 결정 생성에서 최고 수준의 성능을 달성한다.
전자 해밀토니안을 정확히 예측할 수 있다면 밀도범함수이론(DFT)의 높은 계산 비용을 피하면서 폭넓은 물성 추론이 가능해진다. 그러나 범용 재료 파운데이션 모델로의 진전은 데이터 병목으로 제한된다. 기존 해밀토니안 데이터셋은 대체로 규모가 작고 구조적 다양성이 부족하며, 스핀-궤도 결합(SOC)과 같은 필수적인 상대론적 물리를 누락하는 경우가 많다. 이에 본 연구는 완전한 SOC를 포함하여 DFT로 계산한 100,000개 이상의 복소수 에르미트 해밀토니안으로 구성되고, 72개 원소와 다양한 결정 기하 및 대칭성(다양한 격자 유형과 공간군 계열 포함)을 아우르는 대규모 해밀토니안 데이터셋 및 벤치마크 모음인 UniHam을 구축한다. UniHam을 기반으로 표준화된 프로토콜 하에서 대표적인 최신 모델 두 가지를 벤치마킹하고, (i) 해밀토니안 재구성 정확도, (ii) 조성/대칭성 변화에 따른 분포 외(OOD) 일반화, (iii) 예측된 해밀토니안으로부터 하위 물성 예측을 지원하는 능력이라는 세 가지 측면을 함께 평가하는 보완적 평가 지표를 도입한다. UniHam에 대한 실험은 제안한 벤치마크와 지표가 모델의 역량을 효과적으로 구분함을 보여 주며, SOC 및 원소에 따른 고유한 실패 양상, 조성 OOD 강건성의 큰 편차, 그리고 해밀토니안 예측이 하위 전자구조 물성을 신뢰성 있게 뒷받침하는지 평가하기 위한 스펙트럼 수준 평가의 필요성을 드러낸다. 종합하면 UniHam은 재현 가능한 SOC 완전 벤치마크를 제공하여 모델 비교를 정교하게 하고 양자 재료를 위한 차세대 파운데이션 모델의 개발을 가속할 수 있다.
대규모 언어 모델과 이를 기반으로 구축된 멀티 에이전트 시스템은 과학적 지식을 실험적 의사결정과 연결함으로써 소재 발견을 가속할 수 있다. 기존 벤치마크는 도메인 지식, 멀티모달 해석, 과학 도구 활용 능력을 확인해 왔다. 언어 모델이 소재 연구 워크플로를 점점 더 많이 지원함에 따라, 밀접하게 관련된 소재 상태를 구별하고 정량적 증거를 바탕으로 정확하게 추론하는 능력은 아직 충분히 평가되지 않았다. 이러한 능력은 소재의 반응을 비교하고, 메커니즘을 평가하며, 실험 증거가 축적되는 과정에서 신뢰할 수 있는 판단을 유지하는 데 필수적이다. 본 연구에서는 서로 연결된 세 가지 능력을 평가하기 위한 MatScope를 소개한다. M1은 알루미늄과 고엔트로피 합금을 대표적인 소재 시스템으로 삼아, 열 가지 연구 기능에 걸친 200개 과제를 통해 도구의 도움 없이 조건에 특화된 추론 능력을 평가한다. M2는 관련 지식을 아직 해결되지 않은 소재 문제로 에이전트의 도움을 받아 전이하는 능력을 평가한다. MatEvoBench-20은 과학적 의존성 사슬 전반에 대한 초기 예측과, 관측이 축적됨에 따라 아직 드러나지 않은 반응에 대한 예측의 수정을 평가한다. GPT-6 Astra와 Claude Fable 5.1을 포함한 열한 가지 모델 배포본 전반에서, 주어진 입력에 대한 계산과 다수의 물리적 설명은 잘 처리되었다. 반면 세밀한 반응 추정, 유사한 상태 간 비교, 정량적 근거에 기반한 선택은 여전히 상당히 취약했다. 관련 문헌은 일부 추정을 개선하지만, 조건 및 기준선의 불일치가 전이를 제한한다. 점진적인 관측은 일부 후속 반응을 보정하는 한편, 앞서 정확했던 예측을 불안정하게 만든다. MatScope는 향후 자기 진화형 소재 실험실과 소재 인식 월드 모델에서 신뢰할 수 있는 과학적 추론을 개발하기 위한 측정 가능한 목표를 제시한다.
우리는 비탄성 이종 재료의 균질화된 구성 법칙의 학습을 연구하며, 값비싼 동시 단위 셀 시뮬레이션을 하중 이력과 미세구조 전반에 일반화되는 대리 모델로 대체하는 것을 목표로 한다. 균질화된 Kelvin--Voigt 선형 점탄성의 명시적 형태에 착안하여 순환 신경 연산자 프레임워크에 초점을 맞춘다. 이 프레임워크에서 내부 변수는 하중 이력 의존성에 대한 마르코프 근사를 가능하게 하며, 신경 연산자는 미세구조에 의존하는 구성 응답을 표현한다. 주기적 Kelvin--Voigt 점탄성에 대해, 2차원과 3차원에서 이 모델이 시간에 대해 균등하게, 그리고 허용 가능한 변형률 궤적과 미세구조 물성 장의 넓은 집합에 대해 균질화된 구성 법칙을 임의의 주어진 정확도로 근사할 수 있음을 보이는 보편 근사 정리를 증명한다. 이는 구간별 상수 재료에 대한 명시적 해를 사용하는, 다소 제한적인 기존 1차원 이론의 상당한 확장이다. 대신 2차원과 3차원에서는 균질화로부터 나타나는 기억 커널의 스펙트럼 표현에 기반한 더 다재다능한 근사를 채택한다. 이는 또한 근사에 충분한 내부 변수 차원에 대한 명시적 경계를 제시할 수 있게 하며, 이 경계는 상대 응력 오차의 역수와 재료 대비에 대해 로그적으로 증가한다. 점탄성과 결정 소성에 대한 수치 실험은 이론을 보완하며, 단위 셀 데이터로부터 균질화된 응답을 학습할 때 내부 변수 차원과 표본 복잡도의 역할을 보여 준다. 이론적 결과는 Lean 4에서 형식적으로 검증되었다.
범용 기계학습 원자간 퍼텐셜은 화학 공간 전반에 걸친 들뜬 상태 시뮬레이션을 일상적인 것으로 만들 수 있지만, 들뜸 에너지는 바닥 상태 에너지와 달리 원자 기여의 합이 아니다. 상호작용하지 않는 분자들의 들뜬 상태는 각 분자의 상태들의 합집합이며, 풀링된 다중 상태 읽기 방식은 기껏해야 가장 낮은 상태에 대해서만 이를 재현한다. 우리는 원자 중심 블록으로 구성된 국소 들뜸 해밀토니안의 고유값을 들뜸 에너지로 갖는 LEH-MACE를 도입하며, 따라서 이 합집합 성질이 정확히 성립한다. 우리는 100,000개 이상의 분자에 대한 약 300,000개의 평형, 열적, 들뜬 상태 기하 구조의 TD-DFT 에너지와 힘을 생성하였다. 직접 읽기 방식에 대한 LEH-MACE의 이점은 학습 데이터로부터의 거리가 멀어질수록 커졌고 $S_1$ 위의 상태에서 가장 컸으며, 긴 켤레 올리고머에서 $S_2$와 $S_3$ 오차는 직접 읽기 방식의 약 절반이었다. 분자 쌍의 경우 LEH-MACE만이 단일 분자 정확도를 유지했으며, 더 큰 발색단의 $S_1$ 동역학에서는 softmin 읽기 방식이 여전히 우수했다. 따라서 정확한 크기 일관성은 이러한 퍼텐셜을 향한 한 걸음이다.
이질적 소재의 4차원 주사 투과 전자 현미경(4D-STEM) 데이터셋을 빠르고 높은 정확도로 분석하는 일은, 공존하는 상, 배향 변이체, 국소 변형률 구배, 그리고 TEM 박막 고유의 효과가 복잡하게 겹치는 회절 신호를 만들어 내기 때문에 여전히 어렵다. 본 연구에서는 물리 기반 기하 기술자와 가중 고차원 임베딩을 결합하여 최소한의 사전 지식으로 잠재 구조 패턴을 식별하는 머신러닝(ML) 프레임워크를 제시한다. 임베딩과 밀도 기반 군집화에 앞서 정규화된 기술자 공간을 구성함으로써, 이 방법은 군집 안정성을 높이고 노이즈에 의한 분절을 억제하며 임베딩 하이퍼파라미터에 대한 민감도를 줄인다. 공간 가중치는 가장 큰 안정성 향상을 가져와 군집 지속성의 중앙값을 0.04에서 0.55로 높이고 노이즈 비율을 약 22%에서 0%로 낮추었다. 회전 가중치는 DBCV를 0.80에서 0.92로 높였으나 노이즈 비율은 0.2%에서 1.0%로 상승하였으며, 이는 밀도 분리 개선과 노이즈 제거 사이의 상충 관계를 보여 준다. 우리는 연속적인 격자 변화와 변형을 갖는 Si/Si$_x$Ge$_{1-x}$ 에피택셜 층과, 뚜렷한 상과 배향 변이체를 포함하는 다상 Ti-Nb 합금이라는 두 벤치마크 시스템에서 이 프레임워크를 검증한다. 사전 학습된 기본 오토인코더 및 모델 비의존적 패턴 벡터화와의 비교 결과, 물리 기반 기하 기술자는 더 높은 군집 충실도, 더 큰 해석 가능성, 그리고 훨씬 낮은 차원성을 제공한다.
대규모 언어 모델이 제일원리 재료 시뮬레이션을 위한 자율 에이전트로 점점 더 많이 활용되고 있다. 본 논문은 여러 재료 등급에 걸쳐 구조 이완, 전자 구조, 상태 방정식, 탄성 텐서 파이프라인을 아우르는 200개 이상의 Quantum ESPRESSO 과제로 구성된 벤치마크인 DFT-Agent Bench의 실증적 결과를 보고한다. 각 과제는 QE에서 도출한 정답을 가지며 가능한 경우 공개 참조값과의 교차 검증을 거치고, 출처 감사는 요구되는 QE 실행 규약이 충족되었는지 확인한다. 하나의 실행 하네스 아래에서 두 모델에 대해 거의 기본 상태의 ReAct 기준선과 번들 v5.1 스캐폴드를 비교한다. 완전한 스캐폴드는 두 모델 모두에서 밴드+DOS를 +0.08/+0.11, d-전자 vc-relax를 +0.17 향상시키는 반면, 점수가 높은 구조 이완 및 상태 방정식 셀은 개선 여지가 적다. 탄성 결과는 모델에 따라 다르다(deepseek-v4-pro는 0.18에서 0.40, claude-opus-4-8은 0.62에서 0.59). 검색을 비활성화한 고정 100개 과제 분석은 전체적인 양상을 뒷받침한다. 완전히 고정된 DeepSeek 비교에서는 +0.17이 향상되며, Opus 비교는 과거 풀 기준선 대비 +0.10 향상된다(p < 0.001). 출처 게이트는 높은 루브릭 점수를 받을 수 있는 불완전하거나 표시되지 않은 실행을 포착하며, 이는 실행 규약 점검이지 의도적 부정행위를 검증하는 것이 아니다. 이러한 결과는 평가된 DFT 워크플로의 특성을 보여 준다. 익명 검토용 아티팩트에는 고정된 진단 슬라이스, 프롬프트, 채점기, 솔버 개정본이 포함되어 있다: https://anonymous.4open.science/r/231e31re91287h/README.md.
논문에서 추출한 실험 소재 데이터의 대규모 데이터베이스에는 소재에 관한 핵심 정보가 숨어 있다. 이러한 분석은 까다롭고 대규모이며 복잡하여 수작업 지식 추출이 매우 어렵다. 이 문제를 해결하기 위해 우리는 소재 실험 빅데이터를 자동으로 자율 분석하는 다중 에이전트 AI(Multi-Agentic AI, MAA)와, 얻어진 지식을 바탕으로 구축한 특화 AI를 개발했다. MAA의 아홉 가지 역할별 AI 에이전트는 사전 정의된 지시와 품질 점검 아래 데이터 추출, 조성 특징 생성, 기계학습 모델링, 특징 중요도 분석, 지식 베이스 기록을 자율적으로 수행하며, 이전 지식을 계승하면서 반복한다. 수치 처리를 코드에 위임함으로써 대규모 데이터를 다룰 수 있게 하고, 모든 선택과 결과를 기록함으로써 나중에 출처까지 추적할 수 있다. 주제와 사이클 수를 달리한 네 가지 열전 데이터 실험에서 지식 그래프가 성장했으며, 지식은 주제별로 군집을 이루고 어휘는 주제 간에 공유되었다. 이러한 기록을 검색하고 읽는 특화 AI는 출처를 인용하여 소재 관련 질문에 답했다. 또한 사후 검증에서는 오류도 드러났으며, 이는 기록을 통해 출처까지 추적되었다.
주파수 영역 열반사율(FDTR)은 마이크로 및 나노 스케일에서 열적 특성을 측정하는 데 널리 쓰이는 레이저 펌프-프로브 기법이지만, 상당한 도메인 전문 지식을 요구하고 사소한 인적 오류에 취약한 복잡한 데이터 분석 절차에 의존한다. 본 논문에서는 대규모 언어 모델(LLM) 에이전트가 자연어 요청만으로 신뢰할 수 있고 재현 가능한 FDTR 분석을 수행할 수 있게 하는 에이전트 지향 프레임워크 Vibe-FDTR를 제시한다. 이 프레임워크는 물리적·파라미터적 일관성을 강제하는 설정 기반 FDTR 코드 패키지와, 사용자의 의도를 체계적이고 검증 가능한 분석 단계로 변환하는 절차적 에이전트 스킬을 결합한다. 우리는 합성 단일 단계 과제와 금이 코팅된 흑연 시료의 측정에 기반한 실제 데이터 다단계 과제의 두 수준으로 구성된 통제된 벤치마크로 Vibe-FDTR를 평가한다. 두 수준에서 Vibe-FDTR를 사용하는 에이전트의 성공률은 각각 100%와 98.9%이다. 이와 대조적으로 스킬을 제거하면(Code-agent) 성능은 91.4%와 36.7%로 떨어지고, 도메인 패키지까지 제외하면(Agent-only) 38.6%와 0%로 더욱 떨어진다. 성공률 외에도 Vibe-FDTR는 Code-agent 변형 대비 계산 비용을 87.7% 줄이고 실행 시간을 60% 이상 단축한다. 마지막으로 선택적 전문가 모드는 자율적인 민감도 및 불확실성 평가를 통해 실험 계획을 지원하며, 명세가 불충분한 과제에 대해 물리적 근거에 기반한 권고를 제시한다. 이러한 결과는 도메인 코드와 전문가 지식을 에이전트 스킬로 캡슐화하는 것이 진입 장벽이 낮고 자율적이며 신뢰할 수 있는 열 계측으로 나아가는 유망한 경로임을 보여준다.
부분 전하나 다중극자와 같은 원자 특성은 하위 분자 특성 예측에 활용될 수 있는 화학적으로 의미 있는 정보를 담고 있지만, 원자 수준에서 원칙적인 분포 외 평가 프로토콜이 없어 이를 기계학습 목표로 평가하는 일은 복잡했다. 본 연구에서는 SOAP 기술자로 원자 환경을 군집화하고, 학습 중 보지 못한 군집 레이블만을 고려하여 지표를 계산하는 홀드아웃 평가 프로토콜을 제안한다. 이 절차에 따라 5$\times$5 교차 검증과 Tukey의 HSD를 사용하여, H, C, N, O 원자의 전자 점유수와 다중극자를 예측하는 E(3) 등변 모델과 비등변 회전 증강 모델을 통계적으로 엄밀하게 비교한다. 이 결과를 바탕으로 회전 증강을 사용하는 비등변 그래프 신경망인 양자 위상 신경망(Quantum Topological Neural Network, QT-Net)을 도입한다. QT-Net이 학습 집합 밖의 QM9 분자 내 원자의 특성을 추론할 수 있음과, 학습 중 접한 원자 환경이 분자 특성 예측 과제의 성능에 크게 영향을 미침을 보인다. 프레임워크를 추가로 검증하기 위해, QT-Net의 원자별 출력으로 계산한 분자 쌍극자 모멘트가 QM9에 보고된 참값을 복원함을 확인한다. QT-Net의 JAX 구현을 포함한 모든 코드와 데이터를 공개한다.
기계학습 원자간 퍼텐셜(MLIP)은 일반적으로 제일원리 에너지와 힘을 재현하는 능력으로 학습되고 평가된다. 그러나 실질적 가치는 구조 이완과 같은 하류 과정에 의해 결정되는 경우가 많다. MLIP 문헌의 상당수는 힘의 정확도를 높이면 그에 상응하여 하류 거동도 개선될 것이라는 기대에서 출발한다. 이러한 기대는 자연스럽지만, 모델의 부정확성 때문에 실제로는 성립하지 않을 수 있다. 본 연구에서는 힘의 정확도와 이완의 정확도가 서로 반대 방향으로 움직일 수 있음을 보인다. 사전 학습된 MLIP에서 출발하여 이완 궤적을 통해 미분하고 최종 구조를 최적화한다. 이러한 개입은 힘 예측 오차를 증가시키는 동시에 구조 오차를 크게 감소시킨다. 중요한 점은 이것이 물리적 충실도의 두 측면 사이의 상충 관계를 나타낸다는 것이다. 학습된 힘은 제일원리 힘에 덜 충실해지지만, 그 결과로 얻는 이완 구조는 제일원리 예측에 더 충실해진다. 국소적 품질과 하류 성능 사이의 불일치를 관찰하는 데 그치지 않고, 이러한 불일치가 최적화를 통해 유도될 수 있음을 보인다. 우리의 결과는 MLIP를 제일원리 힘의 근사로서 최적화할 필요가 없으며, 대신 이완 궤적을 더 정확한 최종 구조로 이끄는 과제 특화 벡터장을 학습할 수 있음을 시사한다. 전체 이완 궤적을 통해 지도 신호를 전파함으로써, 구조–힘 쌍을 독립적으로 다룰 때는 나타나지 않는 연속된 예측 사이의 의존성을 본 프레임워크가 포착한다. 더 넓게 보면, 이러한 결과는 기존의 힘 지표가 하류 성능에 대한 불완전한 평가를 제공할 수 있음을 보여 주며, 과학 기계학습 모델을 계산 워크플로 안에서 평가하는 것이 중요함을 강조한다.
결정 구조 예측은 목표 특성을 갖는 소재를 설계하기 위한 필수 전제 조건이다. 그러나 이는 소재 설계와 신약 개발에서 여전히 해결되지 않은 과제이다. 계산 재료과학의 최근 발전에도 불구하고, 3차원 비고분자 결정 구조를 정확하게 예측하는 것은 여전히 어렵다. 본 연구에서는 동일한 강체 분자들의 집합 $\mathcal{S}$가 채워져 결정 구조를 이루는 분자 조립 문제에 초점을 맞춘다. 이러한 단순화된 정식화는 실제 문제에 대한 유용한 근사를 제공한다. 그러나 최근의 최첨단 방법들이 점점 정교한 기법을 채택하고 있음에도, 근본적인 학습 목표는 여전히 부적절하게 설정되어 있다. 우리는 핵심적인 기하학적 분자 특성을 포착하면서 $\mathcal{S}$에 대한 순열 불변성을 보장하는 손실 함수를 도입하는 더 나은 정식화를 제안한다. 놀랍게도, 이 틀 안에서는 단순한 회귀 모델만으로도 결정학 개방 데이터베이스(COD)에서 비고분자 부분집합을 선별한 COD-Cluster17 벤치마크에서 플로 매칭 기법을 포함한 기존 접근법을 능가함을 보인다. 코드는 https://github.com/inria-thoth/SinkFast 에서 확인할 수 있다.
결정의 기계적 반응은 그 안에 포함된 전위 네트워크의 진화에 의해 좌우되지만, '그 네트워크의 상태'를 항복 응력과 정량적으로 연결하는 일은 여전히 어렵다. 본 연구에서는 이산 전위 동역학 시뮬레이션으로 얻은 전위 네트워크를 다섯 가지 서로 다른 그래프 표현을 사용하여 그래프로 나타내고, 간결한 위상 특성 집합으로 각 네트워크를 규정하며, 변형률 속도 층화 교차 검증으로 평가한 표준 랜덤 포레스트 모델을 이용해 이러한 그래프 특성과 적용된 변형률 속도로부터 항복 응력을 예측한다. 이 모델은 모든 상자 크기에서 $R^2\approx0.86-0.90$, 더 큰 상자 크기에서는 $R^2\approx0.91-0.94$로 항복 응력을 예측하며, 이 정확도는 다섯 가지 표현 모두에서 일관되어, 위상-응력 관계가 단일 그래프 표현의 인공물이 아니라 그래프 특성의 견고한 특징임을 보여 준다. 기존에 확립된 변수에 더하여, 전위 네트워크의 미세구조 상태를 기계적 반응과 연결하는 간결하고 견고한 경로로 그래프 위상을 제안한다.
본 논문은 전기화학 임피던스 분광법(EIS) 데이터로부터 등가 회로 모델(ECM)을 자동 생성하는 강화학습(RL) 에이전트를 개발, 학습, 평가하기 위한 오픈소스 파이썬 플랫폼 AutoREC를 소개한다. ECM은 EIS 측정을 해석하는 데 널리 쓰이지만, 그 식별은 보통 수작업 시행착오에 의존하여 도메인 전문성이 필요하고 특히 자율주행 실험실과 같은 자율 실험 파이프라인에서 확장성이 제한된다. AutoREC에서 ECM 생성은 마르코프 결정 과정으로 정식화되며, RL 에이전트는 현재 상태, 가능한 행동, 그 결과 모델로부터의 피드백을 바탕으로 회로 위상을 순차적으로 수정한다. 이 플랫폼은 선택 가능한 임피던스 표현을 갖춘 EIS 전처리, 에이전트 설정 및 학습, 새로운 측정에 대한 ECM 생성, 에이전트 의사결정의 시각화 기반 평가와 분석을 아우르는 엔드투엔드 워크플로를 지원한다. AutoREC는 우선순위 경험 재생과, 복잡한 회로 생성 행동 공간을 효율적으로 탐색하기 위한 전용 데드루프 완화 전략을 갖춘 설정 가능한 Double Deep Q-Network 에이전트를 구현한다. 플랫폼을 시연하기 위해 다섯 가지 기준 회로 계열의 합성 스펙트럼 1350개로 대표 에이전트를 학습하고, 보류된 합성 스펙트럼 150개로 평가했으며, 배터리, 부식, 산소 발생 반응, CO2 환원 시스템에서 얻은 이전에 보지 못한 실험 스펙트럼 32개에 적용하였다. 이러한 사례 연구는 AutoREC의 엔드투엔드 기능을 보여 주는 동시에, 실험적 복잡성과 제한된 학습 데이터 범위에 따른 과제를 드러낸다. 시연된 에이전트는 참조 구현이며, AutoREC는 사용자가 자신의 전기화학 시스템과 연구 목표에 맞춘 에이전트를 개발하고 평가할 수 있는 확장 가능한 기반을 제공한다.
해밀토니안 예측을 위한 기존 등변 아키텍처 대부분은 기약 구면 텐서의 직합 공간에서 특징을 전파하지만, 목표 해밀토니안은 국소 오비탈 및 스핀 기저에 대한 직접곱 표현의 연산자 블록으로 보는 것이 자연스럽다. 이러한 표현 불일치는 연속적인 해밀토니안 블록을 분절시키고, 오비탈 결합의 직접적 조작을 어렵게 하며, 특징을 불규칙한 각운동량 성분으로 구성하여 수많은 변환을 요구하고 효율적인 하드웨어 실행 및 메모리 관리와 잘 맞지 않게 한다. 표현 불일치와 계산 병목을 모두 해결하기 위해, 직접곱 공간의 해밀토니안형 연산자 블록에서 직접 메시지 전달을 수행하는 등변 학습 프레임워크 DP-Learner를 제안한다. 이론적으로는 명시적인 클렙슈–고든 분해나 역재구성 없이 SO(3), SU(2), 공간 반전에 대한 등변성을 보존하는, 리 생성자 기반 방향 임베딩과 불변 가중 좌우 곱 및 축약을 제안한다. 방법론적으로는 이 원리를 트랜스포머 아키텍처로 구현하며, 해밀토니안형 특징 행렬 또는 텐서가 직접곱 공간의 등변 연산자를 통해 발전하는 한편, 비선형 불변 스칼라 라우팅이 행렬 단위에 대한 구조화된 게이팅, 방향성 전파, 어텐션, 환경 임베딩 문맥 상호작용을 제어한다. 또한 해밀토니안과 파동함수 데이터를 모두 갖추고 68개 원소를 포괄하는 110,000개 이상의 물질 구조로 이루어진 대규모 해밀토니안 데이터셋 MP-HAM-110K를 구축한다. MP-HAM-110K와 Materials-HAM-SOC에서의 실험은 DP-Learner가 최신 방법 대비 해밀토니안 예측 정확도와 추론 효율을 크게 향상시킴을 보여 준다.
대칭은 물리적 구조의 조직을 지배하며, 대칭 깨짐은 그 구조의 변환을 드러낸다. 기하학적 딥러닝에서 대칭은 등변 표현에 순위 제약을 부과하여 등변 그래프 신경망(GNN)의 표현 능력을 제한한다. 본 논문은 이러한 제약을 오히려 활용할 수 있음을 보인다. 즉, 등변 표현의 특이값 스펙트럼은 구조적 대칭의 통합된 지문을 제공한다. 본 논문은 순위 템플릿 매칭을 통한 이산 점군 식별과, 목표 순위 제약을 넘어서는 스펙트럼 에너지를 정량화하는 연속 대칭 분석을 가능하게 하는 스펙트럼 대칭 지문(SymFP)을 제안한다. SymFP는 방향 불변이며 아키텍처에 구애받지 않아 파라미터가 없는 GNN 구현을 가능하게 한다. 그 스펙트럼은 여러 목표 군에 재사용할 수 있으며, 결과로 얻는 누설 점수는 부분군 단조성을 만족한다. 합성 구조, 분자, 배위 착물, 대규모 생물학적 집합체 전반에서 SymFP는 점군을 정확하게 식별하고, 통제된 대칭 깨짐을 추적하며, 전역 기하 측정으로는 가려질 수 있는 국소적 및 차수별 대칭 변화를 드러낸다. 이러한 결과는 등변 표현의 스펙트럼 구조가 물리 시스템 전반의 대칭을 규명하는 일반적 프레임워크임을 입증한다.
용융 염화물 부식은 수십 년간 연구되어 왔으나, 서로 다른 합금, 염, 시험 조건에 걸친 신뢰할 만한 예측은 여전히 어렵다. 본 연구에서는 문헌에 보고된 291건의 정적 용융 염화물 부식 실험을 구조화된 데이터셋으로 정리하고, 이를 이용하여 부식 속도 예측을 위한 해석 가능한 기계학습 프레임워크를 개발하였다. 연구 간 염 상태의 차이를 더 잘 나타내기 위해, 보고된 염 처리 방법, 분위기 제어, 노출 전 불순물 상태를 공통의 수치 척도로 나타내는 염화물 염 준비 지수(Chloride Salt Preparation Index, CSPI)를 도입하였다. 블렌딩된 트리 기반 앙상블이 가장 일관된 예측 성능을 보였으며, 교차 검증된 \(R^2\) 0.85와 MAE 0.41 mg cm\(^{-2}\) day\(^{-1}\)를 달성하였다. 단계화된 CSPI는 단순한 정제/비정제 분류보다 더 유용한 정보를 보존하였으며 모델의 지배적인 기술자로 나타났다. 전역 민감도 분석과 SHAP 분석은 노출 시간, 온도, 합금 조성이 모델 예측에 중요한 기여 요인임을 추가로 확인하였으며, 관찰된 여러 경향은 확립된 용융 염화물 부식 거동과 일치한다. 컨포멀 예측 구간은 잘 보정되어 점 예측과 더불어 예측 불확실성의 추정치를 제공하였다. 종합하면, 본 프레임워크는 실험 맥락이 명시적으로 표현될 때 과거 부식 데이터가 정량적이고 해석 가능하며 불확실성을 고려하는 예측을 뒷받침할 수 있음을 보여 주는 동시에, 향후 용융염 부식 모델을 개선하려면 보다 일관된 보고와 표적 실험이 필요한 부분이 어디인지도 부각한다.
강재 물성 모델은 낯선 합금으로의 외삽 성능이 좋지 않더라도 무작위 테스트 분할에서는 좋은 성능을 낼 수 있다. SteelAgent는 야금학적 기술자 및 기계학습 모델을 물성 예측, 불확실성 보고, 역설계를 위한 언어 모델 인터페이스와 결합한다. 본 논문은 홀드아웃 단위의 선택이 SteelBench 인장 강도 평가에서 도출되는 결론을 어떻게 바꾸는지 살펴본다. 그래디언트 부스팅의 경우, 통합 out-of-fold $R^2$는 무작위 분할에서의 0.859에서 강재 계열을 홀드아웃했을 때 0.113으로 떨어졌다. 명목 90% 예측 구간의 경험적 포함률은 무작위 분할에서 91.0%였으나 홀드아웃된 출처에서는 37.6%까지 낮아졌다. 물리 기반 특징의 효과는 평가 방식에 따라 달랐다. 17개 계열 홀드아웃 분석에서는 그래디언트 부스팅의 $R^2$를 0.2534 높였고, 별도의 네 개 강종 실험실 분석에서는 0.358 낮추었다. 그룹 수준 오차와, 홀드아웃된 그룹에서 보정이 어떻게 악화될 수 있는지를 보여 주는 합성 회귀 실험을 보고한다. 이러한 결과는 물성 추정값이나 규격 적합 점수와 함께 평가 대상 집단을 함께 보고해야 함을 뒷받침한다.