열처리 중의 결정립 성장은 다결정 재료의 미세구조에, 나아가 기계적 특성에 큰 영향을 미친다. 전선 추적(front-tracking) 또는 전선 포착(front-capturing) 시뮬레이션과 같은 수치적 방법은 결정립 성장을 정확하게 기술할 수 있지만, 높은 계산 비용 때문에 긴 열 사이클이나 비등온 열 사이클에는 사용이 제한된다. 선행 연구에서는 결정립 크기 분포를 시계열로 취급하고 순환 신경망으로 그 진화를 예측함으로써 등온 조건에서의 결정립 성장을 성공적으로 예측하였으며, 값비싼 PDE 기반 시뮬레이션 없이 수 초 만에 완전한 결정립 성장 궤적을 생성할 수 있었다. 본 연구에서는 모델 구조에 열 정보를 명시적으로 포함시켜 비등온 조건을 다루도록 이 예측 프레임워크를 재구성한다. 결정립 크기 분포는 합성곱 신경망으로 인코딩하고, 열 기술자는 전용 다층 퍼셉트론을 통해 임베딩하며, 시간적 진화는 순환 신경망으로 예측한다. 각 시간 단계마다 순간 온도와 열 변화율이 제공되어 모델이 변화하는 열 조건에 맞춰 예측을 조정할 수 있다. 이 프레임워크는 폭넓은 비등온 열 경로에 걸쳐 검증된 전선 추적 시뮬레이션으로 생성한 데이터셋에서 학습 및 평가된다. 결과는 열 조건 기반 모델이 복잡한 열 이력 하에서 결정립 성장 동역학을 정확하게 재현함을 보여 준다. 모든 시뮬레이션에 대한 k-겹 교차 검증에서 평균 상대 오차는 1시간 사이클에서 2.99%, 4시간 사이클에서 4.51%였고 결정계수는 0.99를 넘었으며, 복잡도가 증가하는 보지 못한 네 가지 열 이력을 따르는 열 개의 시뮬레이션에서는 평균 상대 오차가 1.91%에서 14.66% 사이였다.
구조-물성 예측은 분자 활성과 재료 물성부터 현미경으로 측정한 국소 기능 응답에 이르기까지 기계학습의 고전적 과제이다. 이미지 기반 회귀에서는 이미지 이웃의 크기와 그 안에서 유지되는 공간 해상도라는 두 선택이 예측기가 이용할 수 있는 정보를 결정한다. 작은 이웃은 관련된 주변 구조를 놓칠 수 있고, 크고 촘촘히 샘플링한 이웃은 중복되거나 무관한 정보를 포함할 수 있다. 본 연구에서는 국소 스펙트럼과 이력 곡선의 예측을 위한 공간 기술자를 구성하는 프레임워크를 개발한다. 회귀 모델을 벤치마크하고 SHAP 맵으로 공간적 기여를 살펴보며, 패치 크기와 압축의 영향을 탐구하여 예측 정확도와 기술자 차원 사이의 관계를 규명한다. 이어서 유전 알고리즘으로 공간 분할과 평균, 최소, 최대 풀링 연산의 할당을 최적화한다. 유지된 각 영역은 이미지에 대한 명시적 측정값을 제공하므로, 탐색은 예측 오차와 기술자 값의 수 사이에서 균형을 맞출 수 있다. 직교좌표 구성과 극좌표 구성은 이 정보를 조직하는 상호 보완적인 방식을 제공한다. 그 결과 얻은 기술자를 통해 공간적 세부 정보가 필요한 곳, 영역별 요약으로 충분한 곳, 그리고 이러한 선택이 예측기와 측정된 응답에 어떻게 의존하는지를 살펴볼 수 있다. 분자와 고체에 대한 유전 알고리즘 규칙이 정립되면 같은 접근을 이들에도 적용할 수 있다.
기계학습은 재료 설계, 원자 수준 시뮬레이션, 실험적 특성 분석을 지원하지만, 모델과 워크플로는 여전히 분절되어 있다. 본 논문은 과제별 표현과 과학적 의미를 보존하면서 이질적인 재료 학습 과제를 통합하는 오픈소스 프레임워크 PaddleMaterials를 제시한다. 이 프레임워크는 물성 예측, 구조 생성, 기계학습 원자간 퍼텐셜, 전자구조 필드, 스펙트럼 해석, 현미경 이미지 처리의 여섯 가지 과제 유형 전반에서 데이터 처리, 학습, 평가, 사전학습 모델 관리, 워크플로를 통합한다. 과제 인터페이스는 물리량, 단위, 집계 규약, 참조를 기록하여 과제 간 조합을 검증 가능하게 한다. 공유 컴파일러 백엔드는 그래프 최적화, 연산자 융합, 하드웨어 특화 코드 생성을 사용하여 모델 정의를 변경하지 않고도 하나의 설정만으로 동적 그래프 실행에서 컴파일 실행으로 전환할 수 있게 한다. 11개 그룹의 65개 모델 인스턴스 전반에서, 컴파일 실행은 8개 그룹의 모든 인스턴스를 가속하였으며, 그룹 중앙값 속도 향상은 11%~224%, 그룹 최대 속도 향상은 11%~336%였다. LiMnO2와 톨루엔에 대한 사례 연구는 동일 기하 구조의 밀도범함수이론(DFT) 계산을 기준으로 하여 구조 생성 또는 스펙트럼 해석, 원자간 퍼텐셜 이완, 물성 예측, 전자 밀도 예측을 연결한다. LiMnO2의 경우, 생성 및 이완된 구조에 대한 예측 형성 에너지는 동일 기하 구조의 PBE+U 기준값과 원자당 최대 7 meV 차이에 그쳤으며, 모델 단계의 계산 비용은 DFT 단일점 계산의 20분의 1 미만이었다. PaddleMaterials는 검증 가능한 과제 간 연산과 컴파일 실행을 지원하면서, 통합 재료 워크플로를 기존의 물성, 퍼텐셜, 구조 생성 과제 너머로 확장한다.
데이터베이스가 많다고 소재 캠페인이 더 나아지는 것은 아니며 오히려 나빠질 수 있다. 본 연구는 조직론적 관점에서 각 출처의 기여를 추적한다. 한 밴드갭 캠페인은 보관된 측정 밴드갭으로부터 일곱 개의 음이온 계열의 순위를 매기며, 출처당 한 표를 부여한다. 예산의 전반부에서 일곱 개를 모두 합친 경우의 순위 일치도(0.737; 1 = 측정 순서)는 최적의 세 개 조합(0.851)보다 나쁘다. 안정성 검증으로서, 절반의 실행에서 조합을 선택하고 나머지에서 시험해도 그 격차는 유지되었다. 이후 Materials Project를 분할하면 그 전이금속 산화물과 불화물이 원인으로 지목된다. 하나의 파이프라인에서 나온 두 데이터베이스는 하나만 사용하는 경우보다 아무것도 더하지 못하지만, 합치면 그들이 공유하는 순서에 두 표가 부여된다. 새로운 계산은 두세 개의 캠페인이 이를 재사용할 때에만 초기에 비용을 회수한다. 평면적 언어 모델 에이전트 팀은 무작위 선택 기준선(평균 0.876, 표준편차 0.096, 20회 탐색)보다 뒤처졌다. 주로 원자간 퍼텐셜로 구성된 적응형 Al-Mg-Si 팀은 보지 못한 HSE06 계산으로 점수가 매겨졌다. 계산 자원의 첫 4분의 1 동안 이 팀은 생성 에너지가 가장 낮은 열 개 화합물 중 49%를 찾았으며, 고정 팀은 최대 40%, MACE-MP-0 단독은 73%였다. 순서가 일치하는 구성원을 병합하는 것이 이 팀의 이득 대부분을 가져왔다. 이는 측정값에 부합하는 소수의 출처를 합치고, 각 파이프라인을 한 번만 계산하며, 계산에 비용을 부과하는 것이 바람직함을 시사한다.
분말 회절(PXRD) 대칭성 분류를 위한 기계학습이 대규모로 훈련되고 있으나, 이 분야에는 공통된 평가 표준이 없다. 논문마다 실험 아카이브의 서로 다른 부분집합, 서로 다른 목표 분류 체계, 전처리, 지표로 결과를 보고하며, 공개된 모델은 재채점이 가능한 형태로 배포되는 경우가 드물다. 본 논문은 세 부분으로 구성된 평가 프레임워크 InformedXRD를 제시한다. (i) 230개 공간군을 99개 소멸군(systematic absence만으로 분말 회절이 식별할 수 있는 가장 세밀한 부류)으로 대응시키는 기계 판독 가능한 매핑, (ii) 포함 규칙이 코드로 명시되고 고정된 스냅샷으로부터 재현되는 벤치마크 구축 방법으로, RRUFF-473, RRUFF-325, 그리고 소규모 예시로서 opXRD-98로 구현되었다, (iii) 사전확률 기반 빈도 기준선, 레이블 순열 검정, 압축된 translationengleiche 부분군 그래프 위의 계층 인식 오류 지표, 층화 평가로 이루어진 보고 프로토콜이다. 우리는 선행 연구(Baggett et al., 2026)에서 공개한 매핑, RRUFF 벤치마크, 부분군 그래프, 네 개의 ViT 체크포인트를 기반으로 한다. 이 체크포인트들, 1D 잔차 CNN, 그리고 XRDBench 레시피(Cao et al., 2025)로 훈련한 여섯 가지 아키텍처를 사용하여, 평가 설계가 어떤 결론이 정당화되는지를 바꾼다는 점을 보인다. 쌍체 검정은 Top-1과 Top-5에서 서로 다른 방향을 가리킨다. 쌍체 Top-k 검정은 XRDBench의 상위 세 모델을 구분하지 못하는 반면, 계층 인식 분석은 여섯 모델 전체에 걸쳐 오류의 거리와 방향을 설명한다. 입력을 보지 않는 빈도 예측기는 집계 Top-k에서 모델과 대등하지만, 레이블 순열 검정은 여전히 패턴 특이적 증거를 검출한다. 또한 층화 분석은 집계 정확도가 가리는 레이블 엔트로피 교란을 드러낸다. 모든 매핑 표, 벤치마크 코드, 스크립트, 체크포인트는 PXRD-ML 평가를 위한 공유 인프라로 공개한다.
탄소나노튜브(CNT)의 화학기상증착(CVD)에 대한 기계학습은 대체로 정적인 합성 조건을 최종 특성에 대응시켜 왔으며, 이는 이러한 조건이 성장에 대한 완전한 기술이라고 암묵적으로 간주하는 것이다. 본 연구에서는 가스 유량 조건을 수직 정렬 CNT 포레스트의 현장(in-situ) 시간 분해 성장 프로파일(성장 곡선)과 통합하여 이 가정을 검증한다. 우리는 관측 창(observation-window) 분석을 도입한다. 이 분석에서는 모델에 점진적으로 더 늦은 시점까지의 성장 곡선만 제공하여 관측 시간의 함수로 예측 성능을 평가함으로써, 특성을 예측할 수 있는지 여부뿐만 아니라 합성 도중 필요한 정보가 언제 확보되는지를 판단한다. 정규화된 성장 곡선의 군집화를 통해 최종 포레스트 높이와 무관한 뚜렷한 성장 패턴이 드러났다. 가스 조건만으로는 초기 성장 속도를 예측할 수 있었으나 성장 수명은 예측하지 못했고, 수율의 변동도 포착하지 못했다(R^2<0). 성장 곡선을 추가하면 수율 예측이 향상되었으며(R^2~0.4-0.5), 관련 정보는 성장 초기가 아니라 중기와 후기 단계에서 나타났다. 반면 포레스트 높이가 기록하지 않는 밀도와 G/D 비는 일관된 향상을 보이지 않았다. 최대 높이와 수명은 10분 성장 과정의 중간 시점에서 중간 수준의 정확도로 추정할 수 있었다. 순열 특성 중요도(permutation feature importance) 분석 결과, 모두 촉매 활성과 관련된 수증기와 H_2가 가장 유용한 정보를 담은 가스 변수로 확인되었다. 이러한 결과는 합성 조건으로 설명되지 않는 변동이 단순한 잡음이 아니라 변화하는 촉매 상태를 반영함을 시사하며, 자율 합성을 위한 성장 중반의 의사결정 지점을 확립하여 가망 없는 배치를 조기에 종료하고 궁극적으로 배치 내에서 성장 조건을 조정할 수 있게 한다.
응고 중의 과도 열장은 주조 공정 조건 및 냉각 거동을 알루미늄 주물에서 결함이 생기기 쉬운 영역의 형성과 연결한다. 다양한 기하와 공정 조건에 대해 이 열 문제를 반복적으로 푸는 것은 계산 비용이 크므로 데이터 기반 대리 모델이 요구된다. 그러나 주조 열 거동에 관한 기존 기계학습 연구는 연구별 시뮬레이션 데이터베이스에 의존하여 재현 가능한 기하 수준의 벤치마킹을 지원하지 못한다. 본 논문은 LM6 알루미늄 사형 주조의 과도 열장을 기하 인식 방식으로 학습하기 위한 공개 시뮬레이션 데이터셋 LM6-CastBench를 소개하며, 이는 세 가지 기하 계열, 계열당 열 가지 변형, 다섯 가지 주입 온도, 세 가지 주형 온도를 결합한 것이다(총 450개의 기하-공정 사례). 각 사례는 CAD 기하, 비정형 메시 연결성, 공간 기술자, 공정 메타데이터, 시간 분해 노드 온도를 보존한다. 기하 수준 데이터 분할 하에서 점별 MLP와 공간적으로 구조화된 U-Net을 벤치마크하였으며, U-Net은 온도장 오차를 큰 폭으로 줄이고 국소적 특징과 급격한 단면 변화가 있는 기하에서 가장 큰 개선을 보인다. LM6-CastBench는 연구자들에게 주조 열 거동의 기하 인식 대리 모델링을 위한 재현 가능한 데이터셋과 벤치마크를 제공한다.
재료 합성 계획(MSP)은 적절한 전구체 물질을 찾는 것뿐 아니라 목표 물질을 구현하기 위한 일관된 합성 작업 순서를 설계해야 하므로, AI 기반 재료 발견에서 근본적이면서도 충분히 탐구되지 않은 병목으로 남아 있다. MSP의 개별 하위 과제를 다루는 여러 AI 기반 접근법이 제안되었지만, MSP 전체 과제를 해결하는 방법론은 아직 확립되지 않았다. 우리는 MSP를 전구체 예측(PP)과 합성 작업 예측(SOP)이라는 두 구성 하위 문제로 이루어진 2단계 과정으로 정식화하는 구조화된 LLM 기반 프레임워크인 MSP-LLM을 제안한다. 우리의 접근법은 이산적인 재료 클래스를 중간 결정 변수로 도입하여 두 과제를 화학적으로 일관된 결정 사슬로 조직한다. SOP에서는 합성과 관련된 귀납적 편향으로 계층적 전구체 유형을 추가로 통합하고, 자기회귀 디코딩 상태에서 전구체 관련 정보를 보존하는 전구체 제약 분해를 활용한다. 폭넓은 실험을 통해 MSP-LLM이 PP와 SOP는 물론 MSP 과제 전체에서도 기존 방법을 일관되게 능가함을 보이며, 자율적인 MSP를 위한 실용적 잠재력을 지닌 효과적이고 확장 가능한 프레임워크임을 입증한다.
기후 변화와 같은 시급한 과학적 과제를 해결하기 위해, 잠재적 기능성 소재의 방대한 화학 공간을 효율적으로 샘플링하는 점점 정교한 생성 모델이 개발되고 있다. 이러한 모델의 급증으로 엄밀한 평가 지표의 확립이 필요해졌다. 샘플의 고유성(U), 신규성(N), 안정성(S)이 표준 지표로 쓰이지만, 현재의 정식화에는 여러 한계가 있다. U와 N은 결정의 이진 비교에 의존하므로 경험적 임계값에 좌우되고, 유사도의 정도를 정량화하지 못하며, 원자 좌표 섭동에 민감하고, 샘플 순열에 대해 불변이 아니다. 마찬가지로 S의 이진 평가는 약간 불안정하지만 잠재적으로 새로운 후보를 조기에 배제할 위험이 있다. 이러한 한계는 앞서 언급한 지표들을 연속적으로 만들어 해결한다. 더 나아가 이들을 통합 지표인 ``연속 SUN''(cSUN)으로 결합하며, 이는 기존의 이진 SUN 지표보다 더 매끄러운 점수 분포와 더 높은 조정 가능성을 제공한다. 실험 결과는 연속 지표가 샘플 분포에 대한 세밀한 통찰을 제공하고, 부차적으로 추가 분석할 샘플을 선별하는 소프트 스크리닝 점수로 활용될 수 있음을 보여준다. 마지막으로 cSUN을 강화학습의 보상 신호로 사용하는 방안을 탐구하여, Chemeleon2 사례 연구에서 조정 가능한 가중치 방식이 샘플 다양성을 효과적으로 높이고 더 나은 최적점으로의 수렴을 촉진함을 보인다.
전단 압전 계수 $e_{15}$는 압전 미세가공 초음파 변환기(PMUT)와 표면 탄성파(SAW) 소자의 전단 모드 전기기계 결합을 좌우하지만, 이를 측정하려면 보통 전용 시편에 대한 파괴적 공진 시험이 필요하다. 시뮬레이션 데이터에서는 제약 조건을 둔 물리 기반 신경망(PINN)을 이용하여 희소하고 잡음이 있는 표면 하부 파동장 관측값으로부터 $e_{15}$를 비파괴적으로 복원할 수 있다. 정확한 공간 거리 함수와 시간 승수를 신경망 출력에 직접 내장함으로써 고정·접지 경계와 정지 초기 상태가 자동으로 만족되며, 손실에는 결합 전기-탄성동역학의 내부 방정식과 데이터 불일치만 남는다. 무차원 스케일링으로 모든 지배 계수가 O(1)의 한 자릿수 범위 안에 들어오며, 이 설정은 소프트 제약 방법에서 조정해야 하는 경계 및 초기 조건 페널티 가중치를 없앤다. 6가지 방식의 비교(평면 변형률 PZT-5H, 제조된 파동장, 30 dB 잡음)에서, 적응형 가중치를 사용하는 소프트 페널티 기준 모델은 다섯 번 중 네 번 잘못된 $e_{15}$로 수렴했고(평균 오차 51.7%), 고정 페널티는 2차 최적화 단계를 거친 뒤에야 0.85%의 오차에 도달했다. 제약 조건을 둔 정식화들은 평균 $e_{15}$ 오차 0.15%~0.51%를 달성했고 보류된 변위 오차는 1% 미만이었다. 이 변형들 중 공간 승수는 빠른 1차 수렴을 제공하며, 2차 시간 승수는 1차 시간 승수에 비해 초기 시간의 정전기 잔차를 6.8배 낮춘다. 한 표면 하부 선을 따른 유한요소 데이터에서 전체 정식화는 30 dB에서 평균 오차 1.19%로 $e_{15}$를 복원하며, 40 dB에서 0 dB까지의 잡음 스윕 전반에서 오차를 0.65%~2.71% 사이로 유지한다. 마지막으로 변위만으로 학습해도 유한요소 데이터에서 평균 오차 0.45%, 제조된 데이터에서 1.64%로 $e_{15}$를 복원한다.
기계학습 원자간 퍼텐셜(MLIP)은 형식적인 신뢰성 보장 없이 고처리량 소재 스크리닝에 활용되고 있다. 본 연구는 안정성 필터로 사용된 단일 MLIP가 25,000개 소재 벤치마크에서 밀도범함수이론(DFT)상 안정한 소재의 93%를 놓친다(재현율 0.07)는 것을 보인다. 증명 동반 소재(Proof-Carrying Materials, PCM)는 조성 공간 전반에 걸친 적대적 반증, 95% 신뢰구간을 갖는 부트스트랩 포락선 정제, Lean 4 형식 인증이라는 세 단계를 통해 이 격차를 해소한다. CHGNet, TensorNet, MACE를 감사한 결과 쌍별 오차 상관이 0에 가까운(r <= 0.13; n = 5,000) 아키텍처별 사각지대가 드러났으며, 이는 독립적인 Quantum ESPRESSO 검증(20/20 수렴, DFT/CHGNet 힘 비율 중앙값 12배)으로 확인되었다. PCM이 발견한 특징으로 학습한 위험 모델은 보지 못한 소재에서의 실패를 예측하며(AUC-ROC = 0.938 +/- 0.004) 아키텍처 간에도 전이된다(MLIP 간 AUC-ROC ~ 0.70; 특징 중요도 r = 0.877). 열전 소재 스크리닝 사례 연구에서, PCM으로 감사한 프로토콜은 단일 MLIP 스크리닝이 놓친 안정 소재 62개를 추가로 발견했으며, 이는 발견 수율의 25% 향상에 해당한다.
열분해와 충격 하중은 화학적 진화와 반응 경로가 서로 다름에도 에너지 물질에서 유사한 주요 안정 생성물을 만들어 낼 수 있다. 본 연구에서는 C/H/N/O 에너지 물질을 위한 반응성 기계학습 퍼텐셜인 EMFF-MACE를 개발하여, 공통의 퍼텐셜 에너지 표면에서 20종 물질의 열분해 시뮬레이션과 10종 물질의 충격 시뮬레이션을 수행하였다. 정규화된 반응 진행도를 일치시켜 비교하면 서로 다른 화학적 상태와 국소 구조 환경이 드러난다. 평균 반응 상태 유사도는 진행도 20%에서 94.0%이던 것이 궤적 종점에서는 25.9%로 감소하며, 충격 국소 환경의 47.1-92.6%는 해당 물질별 열분해 기준 영역 밖에 놓인다. 구조 및 반응 네트워크 분석은 초기 분해 화학이 부분적으로 공유됨에도 충격 하중 하에서 분자 간 재배열이 강화되고 추가적인 결합 및 재배열 분기가 나타남을 보여 준다. 이러한 결과는 하중 이력이 단순히 열분해 속도가 아니라, 분해 과정에서 접근하는 구조적 상태와 이후의 반응 경로에 영향을 미침을 보여 준다.
액체 전해질의 수송 특성을 정확히 예측하는 것은 차세대 배터리 설계에 중요하며, 양자역학적으로 정확하면서도 장시간 시뮬레이션이 가능할 만큼 빠른 힘장이 필요하다. 최근의 대규모 사전학습 기계학습 원자간 퍼텐셜(MLIP)은 밀도범함수이론 수준의 정확도에 근접하지만, 수송 특성을 수렴시키는 데 필요한 시간 규모에 접근하기에는 여전히 너무 느리다. 우리는 추가적인 제일원리 데이터 없이 대규모 "교사" MLIP의 정확도를 빠른 시스템별 "학생" 모델로 전달하는 지식 증류 절차를 제시한다. 증류된 모델은 약 40배 빠르게 실행되고, 교사가 예측한 구조적 관측량을 재현하며, 교사가 수개월 걸릴 20 ns 궤적을 수일 만에 안정적으로 생성한다. 다양한 소듐 및 리튬 이온 전해질에 걸쳐 학생 모델이 예측한 자기확산도, 이온 전도도, 전단 점도는 실험과 부합하며 고전적 힘장 예측을 능가하여, 증류가 고처리량 전해질 스크리닝에 필요한 정확한 장시간 시뮬레이션의 실용적 경로임을 입증한다.
Equation learning seeks to discover compact, interpretable equations from data using various machine-learning techniques. However, few workflows discover and interpret learned equations in sparse, high-dimensional materials datasets. We present nn-EQL, an equation-learning framework that generates candidate equations through iterative training, pruning, and retraining of a neural network with customizable, user-specified neuron-level activation functions. Candidate equations are ranked using a minimum description length (MDL)-inspired score, balancing error and sparsity, and diagnosed to assess term-wise contributions, input-scaled sensitivities, and uncertainties. We demonstrate nn-EQL on standard AI-Feynman benchmarks as well as multiscale high-dimensional materials datasets such as finite-element simulations of heterogeneous materials, and high-throughput experimental thin-film deposition data. nn-EQL integrates with tabular data and high-dimensional data via standard encoder models, learning equations and providing insight into learned terms. Looking forward, integrating physically interpretable representations, multimodal and multi-fidelity data, and adaptive data acquisition could enable equation learning to formulate and test mechanistic hypotheses.
Agentic artificial intelligence (AI) systems hold immense potential for automating complex workflows in materials discovery and design, but extending these capabilities to domain-intensive mechanistic studies remains challenging. General grain boundaries (GBs) exemplify this challenge, as their structural complexity complicates experimental characterization and atomistic modeling. Here, we present GBClaw, an agentic AI framework for investigating the structure and deformation of general GBs, which are common in real polycrystals yet remain understudied. By integrating large language models into a modular architecture, GBClaw effectively combines systematic simulations with targeted mechanistic analysis through iterative workflow refinement and dynamic replanning. Applied to 14 general asymmetric tilt GBs in nickel, the framework characterized interfacial defect structures and deformation modes across these incommensurate boundaries. It established a general approach to identify previously unobserved, widely spaced secondary GB misfit dislocations (SGBMDs) alongside closely spaced primary GB misfit dislocations (PGBMDs) in simulated atomic configurations and experimental images. Comparisons of GB sliding with and without SGBMDs revealed substantial differences in shear strength, underscoring the critical role of misfit-dislocation hierarchies in sliding resistance. Researcher-guided follow-up calculations further elucidated the structural origins of shear asymmetry and an anomalous shear response. This work demonstrates that combining agentic AI with domain expertise bridges high-throughput computational screening and deep mechanistic discovery at complex material interfaces.
Closed-loop AI scientists can generate candidate designs at low marginal computational cost, whereas reliable feedback may require wet-lab synthesis, characterization, or high-fidelity computation. Addressing this imbalance through custom laboratory automation remains infrastructure-intensive and costly, while replacing new experiments with a fixed surrogate leaves persistent model errors that can be amplified by optimization. We propose \emph{online surrogate repair} (OSR), a closed-loop algorithm that uses sparse high-fidelity evaluations to update the surrogate throughout a longer agent search conducted primarily with inexpensive surrogate feedback. An acquisition rule selects which designs from the agent's accumulated proposals receive high-fidelity evaluation, and the resulting labels update the surrogate used in subsequent episodes. Across controlled synthetic environments, we demonstrate that improving global surrogate fit does not necessarily reduce maximum regret, whereas Q90-UCB and expected improvement (EI) substantially reduce regret by directing evaluations toward regions that determine the optimizer's decisions. \osradded{Across LLM and Chemeleon workflows, Online EI reduces the amount of oracle queries required by 84.3--90.3\% for matching discovery counts and by 77.9--81.6\% for matching the quality of the best material found.} Online surrogate repair introduces a third feedback regime between fixed-surrogate operation and high-fidelity feedback after every episode, separating the frequency of high-fidelity evaluation from the duration of the agent's search.
A fundamental challenge in science and engineering is the simulation-to-experiment gap. While we often possess prior knowledge of physical laws, these physical laws can be too difficult to solve exactly for complex systems. Such systems are commonly modeled using simulators, which impose computational approximations. Meanwhile, experimental measurements more faithfully represent the real world, but experimental data typically consists of observations that only partially reflect the system's full underlying state. We propose a data-driven distribution alignment framework that bridges this simulation-to-experiment gap by pre-training a generative model on fully observed (but imperfect) simulation data, then aligning it with partial (but real) observations of experimental data. While our method is domain-agnostic, we ground our approach in the physical sciences by introducing Adversarial Distribution Alignment (ADA). This method aligns a generative model of atomic positions -- initially trained on a simulated Boltzmann distribution -- with the distribution of experimental observations. We prove that our method recovers the target observable distribution, even with multiple, potentially correlated observables. We also empirically validate our framework on synthetic, molecular, and experimental protein data, demonstrating that it can align generative models with diverse observables. Our code is available at https://kaityrusnelson.com/ada/.
Machine-learning interatomic potentials (MLIPs) commonly use uncertainty estimates to flag out-of-distribution (OOD) configurations and select structures for active learning. A key question is whether the resulting structure-level uncertainty scores remain comparable across different system sizes. A common practice is to aggregate per-atom uncertainties by their mean or maximum and compare the resulting score against a fixed threshold, implicitly assuming such comparability. We test this assumption across several in-distribution (ID)/OOD pairs by characterizing both aggregations as a function of atom count. The two aggregations exhibit distinct size dependencies. Mean aggregation remains size-independent for homogeneous systems but loses sensitivity to defects in large cells. In contrast, maximum aggregation grows with system size for ID systems while remaining approximately flat for defect-containing systems, narrowing the ID-OOD gap in a manner consistent with extreme-value statistics. Although highly uncertain atoms in large structures may indicate novel local environments, retraining on these structures yields little improvement, in contrast to retraining on OOD structures constructed to lie outside the training distribution. Our results reveal a practical limitation of size-unaware uncertainty criteria and motivate size-aware calibration for more reliable OOD detection in large-scale atomistic simulations.
Theoretical predictions of novel materials rely on a variety of techniques, from data-mining-based ion substitution methods to fully de novo generative models. Each approach imposes specific constraints and encounters unique challenges when extrapolating beyond the distribution of known materials to discover new ones. The foremost goal of materials generation is to produce stable, unique, and novel (S.U.N.) structures. Predicted structures that meet these criteria, however, typically result from novel chemical compositions mapped onto known structural prototypes or frameworks. We leverage this heuristic insight to present a new generative paradigm for the de novo prediction of inorganic crystalline materials constrained by their structural framework---i.e., the unit cell shapes and respective particle positions. Our method, termed OMatG-FC (Open Materials Framework-Conditional Generation), learns via a combination of discrete flow matching on the atomic species and stochastic interpolants for the volume scaling of the unit cell lattice, while fixing in-place the fractional coordinates and the unit-volume lattice vectors, dramatically reducing the dimensionality of the problem compared to unconstrained (framework-free) generation. Our method is more flexible than existing prototype-constrained methods, demonstrating capability for discovery of unseen, stable prototypes derived from known structural frameworks. We also investigate the number of unique frameworks in the MP-20 dataset, demonstrating the propensity of duplicate frameworks within the dataset and providing a framework-split version. We benchmark the performance of our model using the LeMat-GenBench suite using three ML interatomic potentials and achieve state-of-the-art S.U.N. rate below the convex hull, eschewing the need to learn atomic packings for materials discovery.
Quantum materials exhibit diverse electronic and functional phenomena, but their characterization requires extensive experimental expertise, iterative decision-making and accumulated laboratory knowledge that is difficult to document and transfer. Here we introduce Quantum Agent (QUANTA), an agentic artificial intelligence (AI) framework for autonomous quantum-materials characterization. Using a widely adopted Physical Property Measurement System (PPMS) as an experimental platform, QUANTA combines retrieval augmentation using scientific literature, experimental protocols and prior measurements with specialized agents for experimental planning, troubleshooting, and data interpretation. A separate deterministic control layer validates instrument actions. Guided by incoming data, QUANTA evaluates measurement quality, revises experimental plans and selects subsequent measurements. We demonstrate these capabilities through transport measurements of the topological Weyl semimetal TaP, as well as investigations of nonlinear responses in magnetic material Co2MnGa. These results establish QUANTA as a generalizable framework for evidence-driven, safeguarded and closed-loop quantum-materials characterization.