PyTorchKR Papers

최신 논문

총 219편
태그·기간 등 상세 필터

카테고리 탐색

arXiv:2505.03049cs.LG

34 Examples of LLM Applications in Materials Science and Chemistry: Towards Automation, Assistants, Agents, and Accelerated Scientific Discovery

대형 언어 모델(LLMs)은 분자 특성 예측, 재료 설계, 과학 자동화, 지식 추출 등 재료과학과 화학 연구의 다양한 분야에서 혁신을 이끌고 있습니다. 최신 LLM은 구조화된 데이터와 비구조화 데이터를 통합하고, 가설 생성과 연구 흐름의 효율화를 지원하는 능력을 갖추고 있으며, 34개 프로젝트를 통해 이러한 활용 사례들이 제시되고 있습니다. 이들 프로젝트는 분자 및 재료 특성 예측, 설계, 과학 커뮤니케이션, 데이터 관리, 가설 평가, 문헌 기반 추론 등 연구 전 과정에서 LLM의 다재다능한 역할을 보여줍니다. 향후 LLM의 성능 향상과 함께, 신뢰성, 해석 가능성, 재현성 문제를 해결하며 과학적 연구에 적극 통합하는 것이 중요하다는 점도 강조됩니다.

arXiv:2410.12771cond-mat.mtrl-sci

Open Materials 2024 (OMat24) Inorganic Materials Dataset and Models

새로운 무기 재료를 빠르게 찾아내는 일은 기후 변화 대응, 에너지 저장, 차세대 컴퓨팅 하드웨어 개발처럼 폭넓은 응용을 뒷받침하는 핵심 과제이며, 이를 위해서는 넓은 화학 공간을 효율적으로 탐색할 수 있는 인공지능(AI) 기반 방법이 필요합니다. 특히 재료 문제는 조성과 구조가 동시에 중요하므로, 단순한 회귀 모델보다 원자 배치의 기하학적 대칭성과 상호작용을 잘 반영하는 표현 학습이 결정적인 역할을 합니다. 이러한 배경에서 Open Materials 2024(OMat24)는 공개적으로 활용할 수 있는 대규모 학습 자원이 부족하다는 병목을 해결하기 위해, 구조적·조성적 다양성에 초점을 둔 1억 1천만 건 이상의 밀도 범함수 이론(density functional theory, DFT) 계산을 집약한 공개 데이터셋을 제시합니다. 이 데이터는 다양한 결정 구조와 원소 조합을 포괄하도록 설계되어, 특정 과제에만 맞춘 협소한 학습이 아니라 재료 전반에 대해 일반화 가능한 사전학습 기반을 마련한다는 점에서 의미가 큽니다. 더 나아가 저자들은 이러한 데이터 위에서 등변성(equivariant) 기반 트랜스포머(Transformer) 계열인 EquiformerV2를 학습시켜, 재료 예측에서 필요한 물리적 귀납 편향을 모델 구조에 직접 반영했습니다. 학습 전략의 핵심은 모델 규모, 보조 디노이징(auxiliary denoising) 목적 함수, 그리고 파인튜닝(fine-tuning)이 서로 어떤 방식으로 성능을 바꾸는지 체계적으로 살펴본 데 있습니다. 디노이징은 입력 구조에 인위적 잡음을 가한 뒤 이를 복원하도록 학습시켜, 노이즈와 분포 이동에 강한 표현을 얻는 방법으로, 실제 재료 데이터의 불완전성과 복잡성을 고려할 때 매우 유효한 보조 신호가 됩니다. 또한 OMat24, MPtraj, Alexandria처럼 서로 다른 데이터셋에서의 전이 성능을 함께 평가함으로써, 단순히 한 벤치마크에 최적화된 모델이 아니라 다양한 재료 분포에 적응할 수 있는 범용성을 검증했습니다. 실험 결과 EquiformerV2는 Matbench Discovery 리더보드에서 최고 수준의 성능을 보였고, 바닥상태 안정성 예측에서는 F1 점수 0.9 이상, 형성 에너지 예측에서는 원자당 20 meV 수준의 정확도를 달성하여 실제 후보 재료 선별에 충분히 경쟁력 있는 성능을 입증했습니다. 결국 이 연구의 가치는 대규모 공개 데이터셋과 고성능 사전학습 모델을 함께 개방함으로써, 재료 과학 공동체가 폐쇄적 자산에 의존하지 않고 재현 가능하고 누적 가능한 방식으로 AI 기반 재료 탐색을 발전시킬 수 있는 토대를 마련했다는 데 있습니다.

arXiv:2610.37121v1cs.AI

Prospector: learning a compact graph traversal policy for scientific reasoning

Scientific reasoning in specialized engineering fields depends on knowledge scattered across the literature, often proprietary and absent from frontier LLM training data. In such domains, frontier models tend to give generic answers. Knowledge graphs (KGs) can ground LLM reasoning. Because a graph is too large to provide in full, typical LLM+KG systems preselect a portion, deciding relevance before reasoning begins. Here we train a compact model, Prospector, to reason over a domain knowledge graph by traversing it step by step, seeking evidence in light of what it has already found. Prospector calls a small set of tools one at a time to progressively build its context, and answers with a chain of evidence that can be checked edge by edge against what its tools retrieved from the graph. On a knowledge graph built from the semiconductor-manufacturing literature, Prospector approaches the strongest off-the-shelf models given the same graph and tools, and it far exceeds off-the-shelf models answering closed-book or from a pre-selected portion of the graph. Although trained only on the semiconductor graph, Prospector transfers to unseen knowledge graphs from three other distinct fields: bio-inspired materials, per- and polyfluoroalkyl substances (PFAS) and materials properties. Served on a single GPU, Prospector answers faster and at a fraction of the cost of a hosted service, while keeping proprietary data on the owner's hardware. We find that the policy's latent state is indicative of its next move on both seen and unseen graphs, and modulating the latent state can steer the policy from one behavior mode to another. These results suggest a practical LLM + KG paradigm for scientific and engineering reasoning over private data, in which a compact model trained on a graph from published literature transfers its traversal to unseen graphs that stay with their owners.

arXiv:2610.18314v1cs.AI

Complex materials engineering via Provenance Action Graphs: potential, structure and demonstration

This work discusses and tests the potential of reaction graphs for material synthesis, in which events consist of reaction steps (actions) and their outputs (observations). The importance comes from the requirement to synthesize technologically useful materials, especially those that are kinetically stabilized. Often, it is a science that follows years of trial and error, culminating in (published) successful recipes, but is truly driven by far more (unpublished) failures. The entry into the era of AI provides an opportunity to use learning algorithms to encode rules from multi-dimensional synthesis pathways, regardless of their technological usefulness, and to decode both forward prediction and inverse learning modes. The main incentive is to accelerate material discovery by generating a global knowledge base that can be shared among data agents and contributed to by them. We will focus on several scenarios in the common synthesis process during solid-state synthesis, primarily because these reactions are kinetic in nature and require closer monitoring and control of the reaction history.

arXiv:2610.16480v1cs.AI

PXRD-Bench: How Close Are We to Determining Crystal Structures from Powder Diffraction?

Determining crystal structures from powder X-ray diffraction (PXRD) would enable routine characterization of newly synthesized materials, including those absent from reference databases. Generative models offer a promising approach, but existing evaluations remain fragmented and largely assume single-phase samples with known composition. To fill this gap, we introduce PXRD-Bench, a unified benchmark that extends evaluation to unknown per-element atom counts and recovery of both structures in two-phase mixtures. It provides approximately 4.1 million training structures with simulated PXRD, tests generalization to unseen compositions and structural prototypes, and evaluates recovery from experimental PXRD after excluding structurally matching training entries. To provide a strong reference baseline, we also introduce Bragglite, a PXRD-to-structure model developed through a systematic study of PXRD modeling choices. It achieves a 44.2\% Top-1 match rate on experimental RRUFF patterns with known composition, 24.6\% above the strongest prior baseline. Further analysis yields several key findings: some models fail to benefit from experimental PXRD, while generalization to unseen structural prototypes and recovery from two-phase mixtures remain challenging. Together, our benchmark, systematic studies, and Bragglite clarify the capabilities and limitations of current PXRD-to-structure models.

arXiv:2610.11527v1cs.AI

AtomWorld-Mirror: 소재 동역학을 위한 핵심 진화 백본의 매크로스텝 월드 모델링

AtomWorld-Mirror: Macro-Step World Modeling of Critical Evolution Backbones for Materials Dynamics

원자론적 시뮬레이션(atomistic simulation)은 확산 및 결함 동역학(defect dynamics)에서 계면 반응(interfacial reaction) 및 파괴(fracture)에 이르기까지 장기적인 소재 진화를 연구하는 데 핵심적인 도구이다. 그러나 기존 시뮬레이터는 일반적으로 미세(microscopic) 해상도에서 진행되며, 구조적으로 중요한 상태에 도달하기 전에 영향이 적은 국소적 업데이트에 상당한 연산을 소비하는데, 이는 장기 시뮬레이션을 제한하는 진화-해상도 병목(evolutionary-resolution bottleneck)이다. 우리는 원자 시스템의 핵심 진화 백본(critical evolution backbone)을 위한 시간 인지(time-aware) 매크로스텝(macro-step) 월드 모델인 AtomWorld-Mirror를 제안한다. 스텝 단위(Step-Wise) 원자론적 시뮬레이션을 위해, AtomWorld-Mirror는 짧은 마이크로 이벤트(micro-event) 구간을 핵심 상태들 사이의 물리적으로 도달 가능한 전이(transition)로 증류(distill)하며, 잠재(latent) 매크로스텝 동역학을 통해 희소한 구조적 변경과 축적된 물리적 시간을 함께 예측한다. 국소 도달 가능성(local reachability), 재고 보존(inventory conservation), 연속시간 일관성(continuous-time consistency)이 각 전이를 제약한다. 국소 원자 물리를 재사용 가능한 잠재 매크로 모델로 상각(amortize)하고, 명시적인 마이크로 이벤트 재현(replay)을 매크로스텝 추론으로 대체함으로써, 이 방법론은 구조적 유효성과 시간 의미론(time semantics)을 유지하면서도 장기 소재 진화를 훨씬 더 빠르게 예측할 수 있는 경로를 제공한다. Cu가 풍부한 RPV 강(steel)의 조사 노화(irradiation aging), Cu-Zr 금속 유리(metallic glass), Li$_3$N 기반 안티페로브스카이트(anti-perovskite) 고체 전해질(solid electrolyte)을 포함한 다섯 가지 원자 시스템에서, 매크로스텝 추론은 이벤트별(event-by-event) 시뮬레이션보다 $10^3$에서 $10^4$배의 속도 향상을 제공한다.

arXiv:2610.10653v1cs.LG

PXtal: 모달리티 간 정보 비대칭 환경에서 분말 X선 회절과 결정 구조의 정렬 학습

PXtal: Learning to Align Powder X-Ray Diffraction and Crystal Structures under Information Asymmetry across Modalities

과학 분야의 멀티모달 학습(multimodal learning)은 일반적으로 쌍을 이루는 뷰들이 비슷한 수준의 정보를 담고 있다고 가정합니다. 분말 X선 회절(PXRD)은 이러한 불일치를 명확히 드러냅니다. 즉, 3차원 결정 구조를 1차원 회절 패턴으로 압축하면서 정보가 손실되어, 해당 패턴을 생성한 결정 구조와 연결하기가 더 어려워집니다. 본 연구에서는 이러한 물리적으로 부과된 정보 비대칭 환경에서 정렬된 PXRD 및 결정 표현을 학습하기 위한 프레임워크인 PXtal을 소개합니다. PXtal은 불균형 최적 수송(UOT)을 사용하여 모달리티 간 결합(coupling)을 조정하고, 결합 수준의 일반화된 쿨백-라이블러(GKL) 발산을 활용하여 전체 수송 계획을 지도합니다. 4개의 제로샷(zero-shot) 전이 세트를 포함한 6개의 테스트 세트 전반에서, PXtal은 PXRD-결정 후보 검색 작업 시 기준선(baseline) 모델들의 성능을 일관되게 능가하며, 특히 PXRD 패턴이 결정학적으로는 구별되지만 서로 매우 유사한 비쌍(nonpaired) 이웃을 가질 때, 즉 서로 다른 결정과 연관된 유사한 입력 패턴이 존재할 때 가장 큰 성능 향상을 보였습니다. 그 결과 도출된 결정 및 PXRD 인코더는 다운스트림 재료 및 결정학 작업으로 더욱 효과적으로 전이됩니다. 이러한 결과는 정보 비대칭이 과학 분야 멀티모달 학습에서의 일반적인 설계 문제임을 확인해 주며, 정렬 목표는 각 모달리티가 보존하는 정보를 반영해야 함을 시사합니다.

arXiv:2610.09837v2cond-mat.mtrl-sci

다성분 물질에서 범용 머신러닝 힘장 오차의 원인 규명

Origins of Universal Machine Learning Force-Field Errors in Multicomponent Materials

조성 설계를 통해 생성된 다성분 환경에 대한 범용 머신러닝 힘장(universal machine learning force-field)의 일반화 성능은 여전히 충분히 평가되지 않았습니다. 본 연구에서는 고엔트로피 설계, 원소 치환 및 음이온 혼합에서 영감을 받은 7,599개의 다성분 구조로 구성된 벤치마크를 구축했습니다. 11개의 사전학습 모델을 밀도범함수이론(DFT)을 기준으로 에너지, 힘, 응력에 대해 평가하고 탄성, 진동 및 흡착 관련 특성으로 평가를 확장했습니다. 힘 오차는 학습 참조 범위(training-reference coverage), 국소 기하학적 이질성, 거리 방향성 및 원소별 반응을 통해 분석했습니다. 학습 참조 환경까지의 거리는 범위 차이와 오차 증가 간의 정성적 연관성을 보여주었으나, 유사한 거리에서도 상당한 변동성이 유지되었습니다. OMat24가 이러한 환경을 폭넓게 포괄함에도 불구하고, 오차가 더 큰 그룹일수록 더 큰 국소 기하학적 이질성을 보였습니다. 학습 참조 쌍의 중앙값과 비교했을 때, 오차는 중앙값 부근에서는 낮게 유지되다가 압축 측에서는 가파르게 증가하고 인장 측에서는 비교적 완만하게 증가했습니다. 원소 쌍과 절대 거리 편차를 일치시킨 후 비교했을 때, 압축 측의 힘 오차는 인장 측 오차의 1.81~1.95배에 달했습니다. 모델이 예측한 쌍별 상호작용 곡선은 압축 하에서 더 큰 곡률을 나타냈습니다. 독립적인 원소 시스템에서의 피팅 난이도는 원자 변위에 따른 전자 밴드 에너지 반응 및 페르미 준위 이동과 상관관계를 보였으며, 다성분 시스템에서도 유사한 패턴이 관찰되었습니다. 매개변수를 일치시킨 비교에서 최대 차수가 2와 4인 구면 조화(spherical-harmonic) 표현은 43개 원소 중 각각 38개 및 40개 원소에 대해 테스트 힘 오차를 낮추었으나, 원소별 난이도 차이는 여전히 존재했습니다. 이러한 발견은 실험적 조성 설계를 위한 힘장 선택에 정보를 제공하며, 학습 데이터 샘플링 및 모델 표현의 개선 목표를 제시합니다.

arXiv:2512.16545v3cond-mat.mtrl-sci

소규모 데이터셋을 이용한 머신러닝 기반 예측적 무기 합성: 유체역학적 직경이 제어된 Cu 나노입자 사례 연구

Predictive Inorganic Synthesis based on Machine Learning using Small Data sets: a case study of Hydrodynamic Diameter-controlled Cu Nanoparticles

Cu 나노입자(Cu NPs)는 광범위한 적용 가능성을 가지지만, 그 합성은 반응 매개변수의 미세한 변화에 민감하다. 이러한 민감성은 실험적 최적화가 시간과 자원을 많이 소모한다는 특성과 결합되어, 재현 가능하고 크기가 제어된 합성을 달성하는 데 있어 중대한 과제를 제기한다. 머신러닝(ML)은 재료 연구에서 유망성을 보이고 있지만, 그 적용은 대규모 고품질 실험 데이터셋의 부족으로 인해 종종 제한된다. 본 연구는 25회의 합성으로 이루어진 소규모 데이터셋을 사용하여 Cu 나노입자의 DLS 기반 유체역학적 직경을 예측하기 위해 ML을 탐구한다. 실험 데이터셋을 구성하는 동안 매개변수 공간을 효율적으로 포괄하기 위해 라틴 하이퍼큐브 샘플링(Latin Hypercube Sampling)이 사용된다. 앙상블 회귀 모델은 제한된 데이터셋에도 불구하고 양호한 예측 성능으로 유체역학적 직경을 성공적으로 예측한다. 정량적 회귀에는 고유한 DLS 기반 유체역학적 직경이 필요하므로, 회귀 모델은 단일 모드(mono-modal) DLS 분포로 제한되며, 이를 보완하는 분류 모델이 정량적 예측이 적용 가능한 합성 조건을 식별한다. 동등한 아웃오브샘플(out-of-sample) 검증을 사용했을 때, ML 모델과 DoE 모델은 비슷한 일반화 성능을 보였다. 최종 앙상블 모델은 DoE 모델의 0.60에 비해 R2=0.74를 달성했으며, 전체 합성 매개변수 공간을 유지함으로써 합성 가이드에 더 적합함을 보였다. 또한, 큰 입자와 작은 입자를 구분하기 위해 랜덤 포레스트와 LLM을 모두 사용하는 분류 모델이 평가되었다. 이러한 분류 모델은 다소 낮은 예측 성능만을 보였으며, 이는 이 소규모 데이터셋이 복잡한 LLM의 역량을 완전히 활용하기에는 불충분함을 나타낸다. 전반적으로, 본 연구는 신중하게 선별된 소규모 데이터셋이 견고한 고전적 ML과 결합될 때 Cu 나노입자의 합성을 효과적으로 지원할 수 있음을 보여주며, 실험실 규모 연구에서는 LLM과 같은 복잡한 모델이 제한적인 이점을 제공할 수 있음을 강조한다.

arXiv:2610.09433v1cs.LG

열-기계적 균열 진전을 위한 확장 심층 에너지 방법

An extended deep energy method for thermo-mechanical crack propagation

열-기계적 파괴는 온도와 변위가 전개됨에 따라 성장하는 균열과 균열 영역에서의 비정상 열전도를 결합합니다. 신경망 에너지 솔버(neural energy solver)는 위상장(phase-field) 파괴를 위해 제안되었으며 이후 네트워크 입력을 통해 날카로운(sharp) 균열을 표현하도록 확장되었으나, 이러한 솔버에서 균열 영역에서의 열전도와 그에 따른 열응력 하에서의 균열 진전은 아직 함께 다루어지지 않았습니다. 본 연구에서는 균열이 날카로운 폴리라인(polyline) 형태로 유지되는 열-기계적 균열 진전을 위한 확장 심층 에너지 방법(extended deep energy method)을 제시합니다. 두 개의 네트워크가 온도와 변위를 각각 표현하며, 균열을 가로질러 불연속적이고 다른 곳에서는 매끄러운 스칼라 임베딩(embedding) 함수를 통해 균열 정보를 입력받아 정규화(regularization) 길이 없이도 두 장(field) 모두 균열을 가로질러 도약(jump)할 수 있도록 하고, 변위는 학습(training) 가능한 진폭을 갖는 윌리엄스 전개(Williams expansion)에 의해 균열 선단(tip) 부근에서 강화(enrich)됩니다. 두 장은 배경 요소(background element) 위에 층화되고 선단 부근에서 밀집되며 학습 중에 다시 추출되는 점들에서의 몬테카를로 적분을 통해, 증분 전도 범함수와 열탄성 위치 에너지를 시차적(staggered) 순서로 최소화함으로써 얻어집니다. 응력 확대 계수는 Wilson 및 Yu의 면적 항을 포함하는 상호작용 적분을 통해 추출되고 윤곽 반경 스윕을 통해 검증되며, 균열 선단 온도에서 꺾임(kink)의 에너지 방출률이 임계값에 도달할 때 최대 원주응력 각도로 균열이 전진합니다. 정지 상태의 열 가장자리 균열에서 추출된 응력 확대 계수는 기발표된 값과 0.11% 이내로 일치하고, 경사기능 전단 시험에서 균열 개시는 독립적인 날카로운 균열 유한요소 해와 단일 하중 스텝 이내로 일치하며, 노치가 있는 십자형 시편에서 균열 경로는 기계적, 열적 및 복합 하중 하에서 기발표된 해를 따릅니다.

arXiv:2610.08296v1cs.LG

OxiGen: 산화수를 고려한 결정 생성

OxiGen: Oxidation-State-Aware Crystal Generation

생성 모델(generative model)은 역설계(inverse design)를 가능하게 하여 무기 재료 발견을 가속할 잠재력을 지니고 있지만, 실험적으로 실현 가능한 결정을 생성하는 것은 여전히 어려운 과제입니다. 산화수(oxidation state)는 결정의 조성적 타당성을 평가하고 무기 재료 발견을 이끄는 데 널리 활용됩니다. 기존의 결정 생성 모델들은 전하 중성인 산화수 할당을 가진 재료를 생성할 수 있지만, 실제로 합성된 재료에서 관찰되는 산화수 분포를 제대로 재현하지 못합니다. 이러한 한계를 해결하기 위해, 우리는 생성 과정에서 산화수를 명시적으로 표현하는 산화수 인식 결정 확산 모델인 OxiGen을 제안합니다. OxiGen은 유한 상태 오토마톤(finite-state automaton)에 대한 정확한 추론을 수행하는 구조화된 출력 층을 사용하여 구조적으로 전역 전하 중성을 강제합니다. 실증적으로 OxiGen은 산화수 충실도(fidelity)를 대폭 향상시키며, 평가된 방법 중 안정적이고 고유하며 새로운 결정의 비율을 가장 높게 생성하고, 물성 조건화(property conditioning) 하에서도 높은 조성적 타당성을 유지합니다.

arXiv:2610.08165v1cs.AI

어떤 합금 조성과 어떤 공정 파라미터인가? 최적화된 금속 미세구조 및 집합조직으로부터 레시피 추론하기

Which alloy composition,what process parameters? Inferring the recipe from optimized metallic microstructure and texture

금속 합금의 기계적 특성은 미세구조(microstructure)와 집합조직(texture), 즉 결정립의 크기와 형태 및 결정의 방위에 의해 결정됩니다. 이러한 구조는 다시 레시피, 즉 합금 조성과 공정 파라미터에 의해 결정됩니다. 합금 개발은 목표 특성을 만족할 때까지 구조를 조정하며 이러한 과정을 순방향으로 진행합니다. 반대로 최적화된 구조로부터 이를 만들어낼 레시피를 역추론하는 역방향 과정은 여전히 전문가의 지식에 의존하고 있습니다. 본 연구에서는 이러한 역방향 단계를 학습할 수 있는지 질문을 던집니다. 14종의 합금에 걸친 107개의 마그네슘 합금 압출 조건으로 구성된 사내 데이터셋(각각 광학 현미경 사진과 X선 집합조직 측정치를 포함)을 바탕으로, 미세구조 및 집합조직을 표현하는 세 가지 기술자(descriptor)를 비교합니다: 전통적인 결정립 및 집합조직 통계량, 사전학습된 이미지 인코더 기반의 비전 임베딩, 그리고 결정립 네트워크상의 그래프 신경망(GNN)입니다. 각각의 기술자는 공정이 주어졌을 때 합금 조성을 예측하는 과제(과제 A)와 조성이 주어졌을 때 공정 파라미터를 예측하는 과제(과제 B)라는 두 가지 예측 헤드와 결합됩니다. 5겹 교차 검증(5-fold cross-validation)에서 가장 흔한 합금을 항상 추측하는 기준선이 17%인 것에 비해, 전통적 기술자는 보류된 조건의 65%에서 올바른 합금을 식별한 반면, 학습된 임베딩은 30% 미만에 머물렀습니다. 공정 파라미터는 복원 가능하지만 노이즈가 더 컸습니다. 단독으로 조성을 사용하는 경우와 비교하여 미세구조 정보를 활용했을 때 온도 오차가 대략 절반으로 줄어들었습니다. 주조된 합금이 몇 종류에 불과하고 프레스 설정 역시 몇 가지만 사용되었기 때문에 두 정답 모두 이산적(discrete)이며, 자유로운 연속값을 예측하는 헤드보다 순서를 고려하면서 알려진 옵션 중에서 선택하는 헤드의 성능이 더 우수했습니다.

arXiv:2610.07862v1cond-mat.mtrl-sci

X선 회절을 위한 자기 학습 과학 에이전트

A self-learning scientific agent for X-ray diffraction

과학 에이전트(agent)의 핵심 과제는 분석 경험을 물리적 증거에 기반한 재사용 가능한 전문 지식으로 전환하는 것입니다. 본 논문에서는 자체 개발한 회절 분석 에코시스템인 XMatcher, XQueryer, XDecomposer 및 WPEM을 기반으로 구축된 분말 X선 회절용 자기 학습 에이전트 Gan Jiang을 소개합니다. 이러한 엔진들은 상 식별(phase identification), 다상 분해(multiphase decomposition), 물리적 제약 기반의 전패턴 모델링(whole-pattern modelling)을 포괄합니다. Gan Jiang은 언어 모델(language model)을 재학습하거나 기본 물리 모델을 변경하지 않고도, 실패를 진단하고 스킬 지침 및 코드를 수정하며 재사용 전에 수정 사항을 검증함으로써 분석 경험을 실행 가능한 스킬로 변환합니다. 개발 데이터를 사용하여 선택되고 미공개(held-out) 평가 전에 동결된 스킬들은 FullProf, GSAS-II 및 PyWPEM 전반에서 기존 전문가가 설계한 스킬보다 더 높은 정련(refinement) 점수를 달성합니다. 이 에이전트는 강하게 중첩되는 회절 피크(reflection)를 분해하고, 5개 상으로 구성된 고대 이집트 화장품을 정량화하며, 작동 중인 배터리의 격자 진화를 추적하고, 무질서한 산화물 촉매의 원자 구성을 비교합니다. DeltaXRDbench에서 이 에이전트는 시뮬레이션 및 실험 데이터 전반에 걸쳐 단일상 및 다상 식별에서 평가 대상 방법들을 능가합니다. 화학 조성이 제공되지 않은 상태에서 단일상 Top-1 정확도는 MP500, RRUFF 및 opXRD에서 각각 96.30%, 81.78%, 40.83%에 도달하였으며, 이는 가장 강력한 비교 대상의 58.00%, 58.47%, 26.45%와 대비됩니다. 이러한 결과는 통합된 과학 도구 에코시스템이 측정값으로부터 구조적 지식을 추출하는 동시에 새로운 샘플로 전이되는 검증된 분석 전문 지식을 축적하는 에이전트를 어떻게 지원할 수 있는지 보여줍니다.

arXiv:2610.07423v1cs.AI

2D-FET-Bench: 공간 추론부터 플레이크 기반 FET 설계까지

2d-fet-bench: from spatial reasoning to fet design on flakes

박리된 2차원 플레이크(flake) 상의 전계효과 트랜지스터(FET) 레이아웃은 일반적으로 각 플레이크마다 수작업으로 그려지며, 광학 현미경 사진에서의 위치 및 윤곽선에 맞춰 접점(contact)과 게이트를 배치합니다. 우리가 아는 한, 언어 모델(LLM) 에이전트(agent)가 이러한 플레이크별 설계를 안정적으로 수행할 수 있는지 테스트하는 실행 가능한 벤치마크(benchmark)는 없었습니다. 우리는 현미경 사진에서 추출한 플레이크 윤곽선을 기반으로 구축된 128개의 레이아웃 작업으로 구성된 벤치마크인 2D-FET-Bench V2를 소개하며, 여기에는 구멍이 포함된 플레이크 및 다중 플레이크 작업이 포함됩니다. 각 작업은 텍스트 형태의 소자 사양과 윤곽선 좌표를 제공합니다. 에이전트는 GDSII로 렌더링되는 타입 지정 다각형 및 경로 연산을 생성합니다. 결정론적 검증기(verifier)는 기하학적 및 구조적 요구사항을 확인하며, 별도의 무결성 검사를 통해 제공된 윤곽선이 변경되지 않고 유지되는지 검증합니다. 스크립트로 작성된 참조 레이아웃은 128개 작업을 모두 통과하여 모든 작업이 해결 가능함을 보여줍니다. 우리는 작업당 5회 시도로 6개 모델과 GPT5.6-Luna의 7개 워크플로 및 스캐폴드 변형을 평가(evaluation)합니다. 6개 모델 패널에서 가장 우수한 성능을 보인 구성인 ReAct-3 기반 GPT5.6-Luna는 시도의 62.3%를 통과하고, 적어도 한 번 이상 작업의 80.5%를 해결(커버리지)하며, 5회 시도 모두에서 43.8%를 해결(일관성)합니다. ReAct-3는 단일 패스(one-pass) Plan-and-Execute 대비 2.46배의 토큰(token)을 사용하면서 pass@1 점수를 27.0% 포인트 초과합니다. 5개의 ReAct-3 구성에 걸쳐 커버된 작업당 검증기를 통과한 레이아웃 중 하나를 샘플링한 전문가 감사에서는 이 중 56.4%~63.5%를 수용 가능한 것으로 판정합니다. 이 벤치마크는 기하학적 및 구조적 FET 레이아웃 구축 능력을 평가합니다.

arXiv:2610.06985v1cond-mat.mtrl-sci

CrystalJev: 신소재 발견을 위한 원자 수준 파운데이션 모델의 빠르고 느린 생각

CrystalJev: thinking fast and slow with atomistic foundation models for materials discovery

원자 수준 파운데이션 모델(atomistic foundation model)은 수백만 개의 가상 물질을 선별하지만, 에너지를 임계값으로 잘라 액면 그대로 받아들이는 느린 시뮬레이터로 사용되고 있습니다. 이들은 빠른 의사결정자로 해석하는 것이 더 바람직합니다. CrystalJev는 이완되지 않은(unrelaxed) 구조당 동결된 원자간 포텐셜(interatomic potential)을 한 번 쿼리하여 보정된 확률, 유한 표본 보증(finite-sample guarantees), 그리고 느리게 생각해야 할 시점에 대한 규칙을 바탕으로 유형화된 질문에 답합니다. 65개의 Matbench Discovery 모델 전반에서 '안정적(stable)'이라는 판정은 모델의 오차와 후보군 모집단에 의해 설명되는 사실상의 확률입니다. 학습이 완료되면 단 한 번의 순전파(forward pass)만으로 구조 이완 비용의 30분의 1 수준에서 거의 동등한 수준의 결정을 내릴 수 있으며, 정보 가치(value-of-information) 이론은 결정이 바뀔 수 있는 영역에만 더 느린 계산을 할당합니다. 동일한 층(layer)이 전자적, 기계적 및 분자적 질문에도 답합니다. 700개의 새로운 밀도범함수 계산을 포함한 등록된 전향적 테스트에서, 기존 데이터로만 보정된 단일 순전파 예측은 보지 못한 후보군의 안정 비율(5.8%)을 최대 2.1%포인트 초과 추정하는 데 그쳤습니다.

arXiv:2605.05866v2cs.AI

XDecomposer: 다상 X선 회절을 위한 사전 정보 없는 집합 분해 학습

XDecomposer: Learning Prior-Free Set Decomposition for Multiphase X-ray Diffraction

다상 분말 X선 회절(PXRD) 분석은 실제 합성 과정에서 구성 상(phase, 성분)들을 안정적으로 분리해내기 어려운 복잡한 혼합물이 생성되는 경우가 많아 구조 식별의 근본적인 병목 구간으로 남아 있습니다. 최근 표현 기반 결정 검색 및 생성이 발전하면서 PXRD로부터 직접 구조를 추론할 수 있는 가능성이 제시되었으나, 기존 접근 방식은 대부분 단상(single-phase) 입력을 가정하므로 다상 환경에서는 제대로 작동하지 않습니다. 본 논문에서는 후보 상 목록, 구조적 템플릿, 또는 상의 수에 대한 사전 지식 없이도 다상 XRD 패턴의 분해 및 식별을 동시에 수행하는 사전 정보 없는(prior-free) 프레임워크인 XDecomposer를 제안합니다. 우리는 다상 회절 분석을 집합 예측(set prediction) 문제로 정의하며, 모델은 단일 통합 아키텍처 내에서 상별 성분의 순서 없는 집합과 혼합 비율, 그리고 이에 대응하는 구조 표현을 추론합니다. 회절 일관성을 갖는 물리적 재구성과 결합된 상 쿼리(phase-query) 기반 분해 메커니즘은 결정학적 충실도를 보존하면서 정확한 음원 분리(source separation)를 가능하게 합니다. 모의 및 실험 데이터셋 모두를 대상으로 한 광범위한 실험을 통해, XDecomposer가 다양한 화학 시스템 전반에서 재구성 정확도와 상 식별 성능을 크게 향상시키며 보지 못한(unseen) 혼합물에 대해서도 강력한 일반화 성능을 유지함을 보여줍니다. 이러한 결과는 데이터 기반의 성분 분해 다상 XRD 분석을 위한 실용적인 경로를 제공하며, 사전 지식 기반의 반복적 상 매칭에 대한 오랜 의존도를 낮춥니다. 코드는 https://github.com/Licht0812/XDecomposer 에서 공개되어 있습니다.

arXiv:2610.03505v1cs.LG

핵융합 재료의 균열 식별 및 손상 평가를 위한 자동화되고 재현 가능한 워크플로우

An Automated and Reproducible Workflow for Crack Identification and Damage Assessment of Fusion Materials

노출 후 현미경 관찰(Post-exposure microscopy)은 핵융합 재료 검증의 핵심입니다. 그러나 수동 분석은 현대 핵융합 재료 연구 캠페인의 대용량 데이터, 이질성, 다중 해상도 특성을 감당할 수 없습니다. 이러한 문제를 해결하기 위해, 주사 전자 현미경(SEM) 이미지에서 균열을 자동으로 식별하고 정량적으로 손상을 평가하는 Galaxy 과학 워크플로우 환경 기반의 재현 가능한 워크플로우를 제시합니다. 이 워크플로우는 SEM 이미지와 실험 메타데이터를 처리하여 균열을 식별하고 손상을 정량화하며, 재현성에 필요한 중간 산출물과 처리 이력을 보존합니다. 출력물에는 균열 마스크, 스켈레톤화된 균열 네트워크, 품질 관리 시각화 자료 및 스칼라 손상 기술자(descriptor)가 포함됩니다. 본 방법은 텅스텐 등급, 미세구조, 배율 및 손상 상태 전반에 걸쳐 이미지별 매개변수 튜닝 없이 작동하도록 설계되었습니다. 5개 텅스텐 등급과 3개 미세구조 상태에 걸친 114개 실험의 418개 이미지를 포함하는 희소 전자빔 열충격 데이터셋에서 이 워크플로우를 실증합니다. 또한 다운스트림 머신러닝 예측 및 물리 기반 균열 시뮬레이션을 위한 표준화된 입력을 제공하는 균열 밀도 기술자를 정의합니다. 이러한 예측 컴포넌트들은 동일한 Galaxy 환경에서 제공되며 확장 가능한 워크플로우 모듈로 의도적으로 다루어집니다. 따라서 본 연구의 주된 기여는 핵융합 재료 연구를 위해 실험적 특성 분석, 자동화된 이미지 분석, 초기 손상 예측 및 시뮬레이션 기반 데이터 수집을 연결하는 엔드투엔드이자 공유 가능하고 계산적 이식성이 높은 워크플로우를 제공하는 데 있습니다.

arXiv:2610.03444v1physics.chem-ph

머신러닝 기반 분자 흡수 스펙트럼 예측을 위한 전자 밀도 대 분자 기하구조 비교

Electronic Density versus Geometry for Machine-Learned Molecular Absorption Spectra

분자 광학 흡수 분광법은 전자 구조를 직접적으로 탐침할 수 있는 수단을 제공하며 분자 식별, 광물리적 거동 해석, 분광학 실험 계획 등에 널리 활용됩니다. 그러나 제일원리(first-principle) 기반의 여기 상태 계산법을 이용해 흡수 스펙트럼을 계산하는 것은 적어도 바닥 상태 계산에 비해 연산 비용이 많이 들기 때문에, 대규모 분자 집합에 일상적으로 적용하는 데 한계가 있습니다. 머신러닝(ML) 대리 모델(surrogate)은 이러한 연산 비용을 줄이고 신속한 스펙트럼 예측을 가능하게 합니다. 하지만 모델의 성능은 분자 정보를 어떻게 표현하는지에 크게 좌우됩니다. 본 연구에서는 QM7 데이터셋에서 선별한 6,874개 분자로 구성된 학습(training) 세트를 대상으로, 흡수 스펙트럼을 예측하기 위한 ML 모델의 입력으로 바닥 상태 전자 밀도를 사용하는 것과 분자 기하구조를 사용하는 것을 비교합니다. 이들 각 분자에 대해 밀도범함수이론(DFT)을 사용하여 전자 밀도를 계산하였고, 선형 응답(LR) 시간의존 밀도범함수이론(TDDFT)을 사용하여 흡수 스펙트럼을 계산하였습니다. ML 모델의 입력으로 바닥 상태 밀도를 활용하는 것은 호엔베르크-콘(Hohenberg-Kohn) 및 룽게-그로스(Runge-Gross) 정리에 기반하며, 바닥 상태 밀도가 화학 결합, 전하 국재화, 전자 비국재화에 대한 정보를 인코딩하고 있다는 점에 착안한 것입니다. 따라서 바닥 상태의 화학적 특성을 효과적으로 분리해 내므로 기하구조에 비해 ML 모델의 더 현명한 출발점이 될 수 있습니다. 우리가 검증하고자 하는 질문은 전자 밀도를 얻기 위해 추가적인 단일점(single-point) DFT 계산을 수행해야 하는 (과도하지 않은 수준의) 비용을 감수하더라도 밀도를 활용하는 이점이 이를 능가하는지 여부입니다. 실험 결과, 밀도 기반 합성곱 신경망(convolutional neural network)은 검증(validation) 상관계수 0.9926을 달성하여 최적의 기하구조 기반 그래프 모델이 기록한 0.9795와 비교해 잔차 탈상관(residual decorrelation)을 약 64% 감소시킴을 확인하였습니다.

arXiv:2610.02417v1cs.LG

AI Theorist가 α-RuCl₃에서 엑시톤 구조를 밝혀내다

The AI Theorist reveals excitonic structure in $α$-RuCl$_3$

실험 계측 및 자동화 기술의 발전은 점점 더 풍부한 데이터셋을 생성하고 있지만, 실험 관측을 미시적 이해로 전환하는 것은 여전히 과학적 발견의 병목으로 남아 있다. 이 과정을 가속화하기 위해, 우리는 가설 생성, 제일원리 계산(first-principles calculations), 그리고 증거 기반 정제(evidence-driven refinement)를 통해 물리 모델을 자율적으로 발견하는 인공지능(AI) 에이전트 시스템인 AI Theorist를 소개한다. 우리는 이 프레임워크를 키타예프(Kitaev) 양자 스핀 액체를 구현할 수 있는 유력한 후보 물질인 α-RuCl₃에 적용하여, 광학 스펙트럼을 통해 그 전자 구조를 조사한다. AI Theorist는 광학 및 광전류(photocurrent) 관측 결과에 대한 새로운 해석을 제시하며, 서로 대비되는 광학 선택 규칙(optical selection rules)과 실공간 분포를 갖는 서로 다른 엑시톤 상태(excitonic states)를 식별한다. 우리가 아는 한, 이는 AI 시스템이 제일원리 전자 구조 및 다체(many-body) 계산을 활용하여, 이전에 발표되지 않은 양자 물질의 실험 관측을 설명하는 물리 모델을 자율적으로 개발한 최초의 사례이다. 본 연구 결과는 AI 에이전트가 제일원리 계산을 이용해 실험 관측을 물리 모델과 검증 가능한 예측으로 전환하는, 재료과학 분야에서의 자율적 이론 발견(autonomous theoretical discovery)으로 향하는 경로를 확립한다.

arXiv:2610.02224v1cs.LG

의약품 식별을 위한 생성적 특징 증강 기반 하이브리드 머신러닝 보조 라만 분광법

Hybrid Machine Learning-Assisted Raman Spectroscopy with Generative Feature Augmentation for Pharmaceutical Identification

의약품 잔류물의 신속하고 신뢰성 있는 식별은 공중보건을 보호하고 식품 안전을 보장하며 실용적인 라만(Raman) 기반 스크리닝을 가능하게 하는 데 중요하다. 본 연구에서는 심층 스펙트럼 특징 추출, 생성 모델, 전통적인 머신러닝 분류기를 결합한 하이브리드 라만 분광법 프레임워크인 HyMLRaman을 제안하여 아목시실린(amoxicillin), 클로람페니콜(chloramphenicol), 시프로플록사신(ciprofloxacin), 테트라사이클린(tetracycline), 이부프로펜(ibuprofen), 파라세타몰(paracetamol)을 포함한 6종의 의약품 화합물을 식별한다. 라만 스펙트럼은 스펙트럼 이미지로 변환되어 여러 심층 신경망 백본(backbone)으로 인코딩되며, 이 중 EfficientNet-B3가 가장 효과적인 표현을 제공한다. 이렇게 얻어진 1536차원 임베딩은 SVM, KNN, 로지스틱 회귀(logistic regression), 랜덤 포레스트(random forest), XGBoost, ANN을 포함한 다운스트림 분류기를 계층화 10-폴드 교차 검증(stratified 10-fold cross-validation) 방식으로 학습시키는 데 사용된다. 하이브리드 EfficientNet-B3-SVM 구성은 96.31%의 정확도와 96.36%의 매크로-F1(macro-F1) 점수를 달성하여 가장 우수한 기준선 성능을 보이며, 단독 CNN 기준선을 능가한다. 제한된 데이터 조건을 해결하기 위해, PCA로 차원을 축소한 EfficientNet-B3 잠재 공간(latent space)에서 DDPM 기반 특징 증강이라는 생성 모델을 도입한다. 저데이터(low-data) 어블레이션(ablation) 결과는 DDPM 증강이 선택적인 이점을 제공하며, 특히 학습 데이터 비율이 줄어든 상황에서 KNN에 효과적이지만 그 효과는 분류기에 따라 달라짐을 보여준다. 마지막으로, 애플리케이션 수준의 라만 의약품 분석기(Raman Pharmaceutical Analyzer)는 학습된 모델을 대화형 라만 분석 워크플로우에 통합할 수 있음을 보여준다. 이러한 결과는 HyMLRaman이 신속한 라만 기반 의약품 스크리닝을 위한 실용적이고 해석 가능한 방법을 제공함을 시사한다.