PyTorchKR Papers

최신 논문

총 219편
태그·기간 등 상세 필터

카테고리 탐색

arXiv:2506.10944v2cond-mat.mtrl-sci

전고체 배터리의 계면 진화를 지배하는 반응-확산 결합

Coupled reaction and diffusion governing interface evolution in solid-state batteries

고체 전해질 계면(SEI) 형성을 지배하는 원자 수준의 반응을 이해하고 제어하는 것은 차세대 전고체 배터리의 실용화를 위해 필수적입니다. 그러나 매립된 계면을 실험적으로 특성화하기 어렵고, 시뮬레이션의 속도와 정확도에 한계가 있어 여전히 어려움이 따릅니다. 본 연구에서는 능동 학습(active learning)과 심층 등변 신경망(deep equivariant neural network) 원자간 퍼텐셜을 활용하여, 대칭형 배터리 셀인 {\symcell}에 대해 양자역학 수준의 정확도를 지닌 대규모 명시적 반응 시뮬레이션을 수행합니다. 계면에서의 결합 반응과 상호 확산을 자동으로 특성화하기 위해, 국소 원자 환경 공간에서의 클러스터링을 기반으로 한 비지도 분류(unsupervised classification) 기법을 정립하여 적용했습니다. 분석 결과, 순수 열역학에만 기반한 이전 예측에서는 포착되지 않았던 새로운 결정질 무질서 상인 Li$_2$S$_{0.72}$P$_{0.14}$Cl$_{0.14}$가 SEI 내에 형성됨을 밝혀냈으며, 이는 전체 반응 및 수송 역학을 명시적으로 모델링하는 것의 중요성을 강조합니다. 본 시뮬레이션 결과는 SEI 형성에 관한 실험적 관찰과 일치하며 이를 규명할 뿐만 아니라, 계면을 따라 발생하는 현저한 Li 이동으로 특징지어지며 덴드라이트 생성에 결정적인 Li 크리프(creep) 메커니즘을 규명합니다. 본 연구의 접근법은 실험에 맞춘 조정 가능한 매개변수 없이 제일원리(first principles)로부터 디지털 트윈을 구축하는 것입니다. 따라서 고체 합성 및 전기화학에서의 복잡한 불균일 과정을 지배하는 원자 동역학에 대한 통찰을 확보할 수 있는 역량을 제공합니다.

arXiv:2610.01432v1cond-mat.stat-mech

제1원리(Ab initio) 위상장 모델 학습

Learning ab initio phase-field models

미세구조(microstructure) 진화를 시뮬레이션하려면 양자역학적 정확도와 메조스코픽(mesoscopic) 길이·시간 스케일에서의 도달 범위가 모두 필요하지만, 현재 어떤 방법도 이 두 가지를 동시에 달성하지 못한다. 고전적인 위상장 모델(phase-field model)은 이러한 스케일 도달 범위를 제공하지만, 그 정확도는 현상론적(phenomenological) 자유 에너지와 이동도(mobility)에 의해 제한된다. 본 연구에서는 제1원리(ab initio) 위상장 모델을 학습하는 프레임워크를 개발한다. 이 프레임워크에서 메조스코픽 방정식은 가정으로 설정되는 것이 아니라, 명시적인 가정 하에 분자동역학(molecular dynamics)을 화학종-밀도장(species-density field)에 대해 모리-츠반지히(Mori-Zwanzig) 투영함으로써 유도된다. 이 방정식에서 특정되지 않은 비국소(nonlocal) 자유 에너지와 이동도는 신경망(neural network)으로 매개변수화되며, 제1원리 수준의 정확도를 갖는 머신러닝 원자간 퍼텐셜(interatomic potential)로 생성된 짧은 분자동역학 궤적으로부터 학습된다. 우리는 철-붕소(iron-boron) 용융물과 행성 조건 하의 수소-헬륨 혼합물에 대해 이 프레임워크를 시연한다. 철-붕소의 경우, 모델은 FeB$_4$ 조성의 용융물이 상압에서는 스피노달(spinodal) 불안정 상태이지만 10 GPa에서는 안정화됨을 보여주며, 이는 FeB$_4$가 왜 고압 조건에서만 합성되어 왔는지에 대한 열역학적 근거를 제시한다. 수소-헬륨의 경우, 모델은 비혼화(immiscibility) 경계를 예측하고, 220만 개 원자에 해당하는 기둥(column)에 대한 헬륨비(helium-rain) 시뮬레이션에서 액적(droplet) 핵생성과 성장을 포착하는데, 이는 동등한 정확도를 갖는 원자론적 모델링의 규모를 훨씬 뛰어넘는 수준이다. 다양한 조성과 조건에 걸쳐 학습된 이러한 모델은 제1원리 분자동역학에 대한 메조스코픽 대응물을 제공할 수 있다.

arXiv:2608.18346v2physics.chem-ph

학습 크기를 넘어 외삽 가능한 주족 원소 전반의 결합 클러스터 분자 특성

Coupled-cluster molecular properties across the main group that extrapolate beyond training size

결합 클러스터(Coupled-cluster) 이론은 분자 전자 구조 특성의 정확도 기준을 정의하지만 일상적인 적용에는 연산량 스케일링이 지나치게 가파른 반면, 밀도 범함수 이론(DFT)은 계산 비용이 저렴하지만 체계적인 바이어스(bias)를 보입니다. 본 연구에서는 단일 등변 신경망(equivariant network)인 HARP(Hamiltonian Read-out for Properties)를 통해 이러한 트레이드오프를 해결합니다. HARP는 저비용의 B3LYP/def2-SVP 계산 한 번으로부터 유효 일전자 해밀토니안(one-electron Hamiltonian)을 예측하고, 연구가 상대적으로 미흡했던 인(P), 황(S), 염소(Cl) 화학을 포함한 9개 주족 원소 전반에 걸쳐 결합 클러스터 수준의 정확도로 광범위한 특성(에너지, 광학 갭, 쌍극자, 사중극자, 분극률, 뮬리켄 원자 전하, 마이어 결합 차수)들을 도출합니다. 본 모델은 9개 원소 전반에 걸쳐 CCSD(T) 수준으로 계산된 다중 특성 라벨의 사내 신규 데이터셋으로 학습되었습니다. 검증용(held-out) 테스트셋에서, 복합 CCSD(T)/cc-pVTZ를 기준으로 반국소, 하이브리드, 이중 하이브리드 DFT 대비 모든 특성의 오차를 3.8배에서 270배 줄였으며, 분자당 약 0.1초의 실행 시간만 추가하여 단 한 번의 DFT 계산 비용으로 결합 클러스터 품질의 예측을 제공합니다. 특히, 원자별 피처를 풀링(pooling)하는 대신 예측된 해밀토니안으로부터 모든 특성을 도출함으로써 올바른 크기 스케일링을 모델 아키텍처에 내재화합니다. π-공액 올리고티오펜(oligothiophene)에서 해당 참조 계산이 감당 가능한 최대 크기(44개 및 37개 원자, 단일 CCSD 필드 포인트 계산만으로도 모델 전체 추론 비용의 약 500배에 달함)에서 유한장 CCSD 분극률에 약 1%, EOM-CCSD 광학 갭에 약 3% 수준으로 일치하며, 풀링 기반 아키텍처가 구조적으로 실패하는 영역인 58개 원자 사슬까지 보정된 경향성을 외삽합니다. 따라서 정확한 외삽은 학습 데이터가 아니라 모델의 귀납적 바이어스(inductive bias)에 의해 결정됩니다.

arXiv:2610.00636v1cs.AI

CompMat-Bench: 계산재료과학을 위한 AI 에이전트 벤치마크

CompMat-Bench: Benchmarking AI Agents for Computational Materials Science

과학 연구 작업에서 AI 에이전트(agent)를 평가하는 것은 기반이 되는 실험이나 계산에 소요되는 시간과 자원의 제약을 받습니다. 계산재료과학 연구에서는 에이전트와 시도 전반에 걸쳐 비용이 많이 드는 동일한 시뮬레이션을 반복하는 것이 평가를 비현실적으로 만들 수 있습니다. 본 연구에서는 최근 발표된 계산재료과학 연구에서 도출된 94개의 작업으로 구성된 벤치마크인 CompMat-Bench를 소개하며, 각 작업은 에이전트가 연구의 과학적 목표를 달성하기 위한 한 단계를 완료하도록 요구합니다. 평가 과정에서 비용이 많이 드는 시뮬레이션을 피할 수 있도록 연구 단계를 미리 재현하고, 고비용 시뮬레이션을 위한 입력 준비 및 출력 분석 능력을 바탕으로 에이전트를 평가합니다. 재현된 입력과 결과는 LLM 심사위원 없이 고정된 규칙으로 에이전트를 채점하기 위한 정답(ground truth) 역할을 합니다. 이 벤치마크는 단일 작업 및 관련 작업으로 구성된 워크플로, 그리고 각각에 대해 방법론적 안내가 완전하거나 축소된 상태를 포함하는 네 가지 평가 조건을 지원합니다. 단일 작업에서 완전한 안내가 제공될 때, 세 가지 대규모 언어 모델(LLM) 기반의 에이전트는 94개 작업에서 66.0-90.4%의 통과율을 보이며 개별 재료 연구 단계를 완수할 수 있는 능력을 입증했습니다. 더 긴 워크플로와 축소된 안내는 모두 에이전트의 성능을 제한할 수 있지만, 에이전트마다 서로 다른 방식으로 작용합니다. 즉, 약한 에이전트의 통과율은 낮아지는 반면, 가장 강력한 에이전트는 긴 워크플로와 축소된 안내가 결합될 때만 성능 저하를 보였습니다. 실패 분석 결과 대부분의 실패는 소프트웨어 사용 오류보다는 과학적 오류에 기인하는 것으로 나타났습니다. CompMat-Bench는 실제 재료 연구 단계에서 에이전트를 비교하고 에이전트의 실패 모드를 분석할 수 있는 기반을 제공합니다.

arXiv:2609.14348v2cond-mat.mtrl-sci

4DMulti: 복잡한 재료 계면에서의 자동화된 다성분 식별

4DMulti: automated multicomponent identification at complex material interfaces

이종 계면에서 결정상을 매핑하는 것은 재료의 성능과 열화를 이해하는 데 필수적입니다. 그러나 구조적 불균일성, 상 중첩 및 국소적 무질서는 회절 해석을 복잡하게 만들며, 데이터 양의 증가로 인해 수작업 분석은 점점 비현실적이 되고 있습니다. 본 연구에서는 대규모 4차원 주사투과전자현미경(4D-STEM) 데이터로부터 다성분을 자동으로 식별하기 위한 물리 기반 학습 프레임워크인 4DMulti를 소개합니다. 이를 뒷받침하는 회절 데이터 자원은 600만 개 이상의 고품질 실험 패턴과 Sim2real로 생성된 레이블 패턴으로 구성됩니다. 검색 조건부 잠재 확산 트랜스포머(Sim2real)는 브래그 기하구조를 보존하도록 설계된 제약 조건 하에서 시뮬레이션된 패턴을 실험 스타일 예제로 변환하며, 회전 불변 좌표 합성곱 신경망은 면내 회전 전반에 걸쳐 상을 식별합니다. 4DMulti는 5개 상으로 구성된 실험 나노입자 벤치마크에서 98.82%의 분류(classification) 정확도를 달성하며, 절제 연구를 통해 도메인 적응과 회전 불변 분류의 상호보완적 이점을 확인했습니다. 또한 지정된 후보 상 라이브러리 내에서 상 할당의 모호성을 정량화하는 정규화된 예측 엔트로피 점수인 회절 추론 구조 복잡도(DISC)를 정의합니다. 우리는 4DMulti를 적용하여 초전도 이종구조, 부식된 합금 표면, 성능이 저하된 전고체 전지 계면의 구조 맵을 단일 나노미터 공간 해상도까지 생성합니다. 4DMulti는 시뮬레이션 기반 결정학 지식을 자동화된 실험 해석과 연결하여, 복잡한 계면의 확장 가능한 분석과 데이터 기반 계면 설계 원리 발견을 위한 토대를 마련합니다.

arXiv:2609.28013v1cond-mat.mtrl-sci

SoLiD26: 기계학습 원자간 포텐셜을 위한 제1원리 고체-액체 계면 데이터셋

SoLiD26: A First Principles Solid-Liquid Interface Dataset for Machine-learned Interatomic Potentials

전기화학, 촉매, 부식 등 고급 재료 응용에서 고체-액체 계면을 다루는 기계학습 원자간 포텐셜(MLIP)은 액체 환경, 고체, 그리고 계면 자체를 모두 샘플링하는 학습 데이터가 필요하다. 본 논문은 MLIP 학습 및 평가를 위해 최대 576원자·15종 화학 원소를 갖는 제1원리 원자 구조 1,540만 개를 담은 엄선 고체-액체 계면 데이터셋 SoLiD26을 제시한다. 구조는 고체-액체 계면 연구에서 수행된 밀도 범함수 이론(DFT) 계산을 모아 구성했으며, 대부분의 구성은 ab initio 분자 동역학(AIMD) 시뮬레이션에서 유래한다. 각 레코드에는 원자 종, 좌표, 시뮬레이션 셀, 주기적 경계 조건, 전위 에너지, 원자력이 포함된다. SoLiD26에는 수용액 동전족 금속 계면, 전극-전해질 시스템, 선택된 벌크 기준 구조가 포함되며, VASP에서 PBE functional과 D3 dispersion correction으로 계산했다. 데이터셋 구축에 쓴 데이터 수집·준비 파이프라인을 설명한다. SoLiD26을 MLIP 학습·평가에 적용한 사례는 단순 학습·검증·테스트 분할 위에서 MACE 모델군으로 시연한다. 이 데이터셋은 구조·화학적으로 이질적인 고체-액체 계면용 MLIP 개발과 벤치마킹을 가능하게 한다.

arXiv:2609.27036v1cs.LG

머신러닝 기반 고분자 물성 예측을 위한 공개 벤치마크

An open benchmark for machine learning-based polymer property prediction

고분자 물성 예측에는 머신러닝 방법론의 엄밀한 비교를 가능하게 하는 공개적이고 표준화된 벤치마크(benchmark)가 부족하며, 기존 리소스는 단일중합체(homopolymer)와 같이 좁은 범위의 고분자 구조만을 다룹니다. 본 연구에서는 실험적 측정, 밀도 범함수 이론(DFT), 분자 동역학(molecular dynamics) 데이터를 포함하여 8가지 물리적 특성에 걸친 약 250,000개의 고분자-물성 데이터포인트로 구성된 공개 데이터셋인 Polymer Benchmark 2026(PolyBench26)을 소개합니다. 이 벤치마크는 단일중합체 및 교대, 랜덤, 블록 공중합체에 걸쳐 분포 내(in-distribution) 물성 예측, 데이터셋 크기 스케일링(scaling), 반복 단위(repeat-unit) 복잡도, 미확인 고분자 구조로의 전이 등 4가지 평가(evaluation) 태스크를 지원합니다. 우리는 언어 모델(language model), 그래프 기반, 기술자(descriptor) 기반 접근법을 비교하였으며, 그래프 기반 모델이 물성 예측에서 가장 낮은 오차를 보이고 평가된 학습(training) 세트 크기 전반에서 우위를 유지하며 반복 단위 복잡도 증가에 대해서도 견고함을 유지한다는 것을 발견했습니다. PolyBench26은 점점 더 복잡해지는 고분자 설계 공간을 위한 모델을 개발하는 데 재현 가능한 기반을 제공합니다. PolyBench26 벤치마크는 https://github.com/rlearsch/PolymerBenchmark2026 에서 오픈소스로 이용할 수 있습니다.

arXiv:2609.22210v1cs.CL

SALSA: 반자율 문헌 요약 어시스턴트

SALSA: Semi-Autonomous Literature Summarization Assistant

SALSA(Semi-Autonomous Literature Summarization Assistant)는 멀티모달 문헌 소스로부터 구조화된 과학 데이터셋(dataset)을 추출하기 위한 오픈소스 인간 참여형(human-in-the-loop) 플랫폼입니다. 이 소프트웨어는 문서 파싱, 대규모 언어 모델(LLM), 광학 문자 인식(OCR), 컴퓨터 비전(CV), 그림 디지털화 및 사용자 유도형 교정 도구를 결합하여 텍스트, 표, 그림 및 캡션으로부터 구조화된 정보를 복원합니다. 사용자는 추출 단계를 구성하고, 데이터셋 스키마를 정의하며, 디지털화된 그림에 대한 개입을 수행하고, 다운스트림 분석 및 머신러닝을 위해 검증된 데이터를 내보낼 수 있습니다. SALSA는 반복적인 문헌 큐레이션 작업을 자동화하는 동시에 전문가의 판단이 필요한 부분에서 감독 기능을 유지하도록 설계되었습니다. 다양한 입력 유형에 걸쳐 맞춤형 추출 워크플로를 지원함으로써, 본 소프트웨어는 재료 연구뿐만 아니라 잠재적으로 여러 학문 분야 전반에 걸쳐 확장 가능하고 신뢰할 수 있는 데이터 큐레이션을 위한 유연한 프레임워크를 제공합니다. 사용자는 모든 입력, 추출 워크플로 및 다운스트림 활용이 관련 출판사 계약, 저작권 및 라이선스 조건, 기관 정책 및 데이터 사용 요건을 준수하도록 보장할 책임이 있습니다.

arXiv:2609.22376v1cond-mat.mtrl-sci

대규모 실험 분말 X선 회절 데이터 분석을 위한 하이브리드 양자 신경망

A Hybrid Quantum Neural Network to Analyse Big Experimental Powder X-ray Diffraction Data

실험적 분말 X선 회절 데이터의 정량 분석은 복잡한 다상(multiphase) 소재나 노이즈가 있는 측정 데이터를 평가할 때 여전히 어려운 과제로 남아 있다. 본 논문에서는 반복적인 정련(refinement) 과정 없이 1차원 분말 회절 패턴으로부터 상 중량 분율(phase weight fraction)과 스케일 팩터(scale factor) 같은 정량 파라미터를 직접 추출하도록 설계된 하이브리드 양자 신경망 프레임워크를 제안한다. 이 모델은 노이즈를 고려한 고전 시뮬레이터 기반 사전학습과, 양자 처리 장치(QPU) 특징을 활용한 빠른 다운스트림 미세조정을 결합하여 하드웨어 결어긋남(decoherence)에 대한 안정성을 확보한다. 학습된 네트워크를 IBM 양자 컴퓨터에 배포하여, 약 10,000개의 패턴을 포함하는 3상 고체 산화물 연료전지와 약 20,000개의 패턴을 포함하는 4상 리튬이온 배터리의 실험적 X선 회절 컴퓨터 단층촬영(computed tomography) 데이터셋을 분석함으로써 이 접근법의 실용성을 입증한다. 이 네트워크는 고전적인 Rietveld 정련과 매우 잘 일치하는 정량적 공간 상 지도(spatial phase map)를 성공적으로 복원하며, 이는 양자 컴퓨팅 하드웨어를 실제 소재 특성 분석 데이터 분석에 활용하는 길을 열어준다.

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.

arXiv:2609.23957v1cs.AI

자율 재료 발견에서 발산하는 전략과 수렴하는 결과

Divergent strategies and convergent outcomes in autonomous materials discovery

과학 에이전트(scientific agents)는 주로 과제 완료 여부나 알려진 결과 재현 여부로 평가되지만, 본 연구는 반복된 개방형(open-ended) 캠페인 간 변이를 조사한다. 동일한 모델-하니스(model-harness) 구성으로 각각 독립 초기화된 16개 세션에 12,499개 금속-유기 골격(metal-organic frameworks)의 고정(frozen) 데이터베이스, 메탄 저장(methane-storage) 목표, 고정(pinned) 프로토콜, 1주 예산이 주어졌다. 전략은 100~5,000개를 스크리닝한 구조 범위를 아우르는 네 가지 접근으로 갈라졌고, 여덟 세션은 2,253개의 가설(hypothetical) 구조를 생성했다. 그럼에도 에이전트들은 약 200 cm^3/cm^3 부근의 동일한 재료 프론티어(materials frontier)를 회복했으며, 데이터베이스 다공(porous) 영역에 대한 독립 계산은 최상위 9개 구조가 모두 그들의 보고에 포함됨을 확인했다. 절반의 에이전트에 강제 검증(enforced checks)을 적용하면 신규 실행(fresh-run) 재현이 8개 중 1개에서 8개 중 8개로 늘었으나 결론 타당성(conclusion validity)은 눈에 띄게 개선되지 않았다. 16개 중 15개 에이전트가 동일한 감사 제외(audit-excluded) 항목, 즉 누락된 음이온(anion)이 인공적인 기공 부피(pore volume)를 만든 불완전 구조를 선택했기 때문이다. 따라서 복제(replicated) 에이전트는 견고한(robust) 결론과 공유 입력(shared inputs)에서 비롯된 공통 모드(common-mode) 오류를 함께 드러낸다.

arXiv:2609.21759v1cond-mat.mtrl-sci

완전한 신경 전자 초기화가 재료 DFT를 가속

Complete Neural Electronic Initialization Accelerates Materials DFT

본 연구는 사영자 증강 파(projector augmented wave, PAW) 형식 하에서 재료에 대한 평면파 밀도 범함수 이론(density functional theory, DFT) 가속을 위한 최초의 완전한 기계학습 방법을 제시한다. 실용적인 end-to-end PAW DFT 가속을 위해 \textit{Complete Neural Electronic Initializer}가 만족해야 할 일곱 가지 기준을 형식화한다. 이 기준을 선행 연구에 적용하면, 기존 방법이 완전한 참조 없는(reference-free) 초기화를 제공하지 못하게 하는 두 가지 누락된 구조 의존 구성요소, 증강(augmentation) 점유율(occupancies)과 스핀 초기화가 드러난다. 통제된 ablation 실험은 이러한 구성요소를 생략하면 매끄러운 원자가(valence) 밀도만 예측하는 모델로 얻은 가속 효과가 사라지거나 역전될 수 있음을 보여준다. 우리는 PAW 증강 점유율을 위한 최초의 일반 등변(equivariant) 모델인 AugNet과, 재료를 위한 최초의 일반 스핀 밀도 모델을 도입하여 이 누락 요구사항을 충족한다. 후자는 예측된 자기 모멘트(magnetic moments)로 전역 자기 상태를 제약하면서 매끄러운 스핀 차(spin-difference) 밀도와 스핀 차 PAW 증강 점유율을 예측한다. 기존 원자가 밀도 모델과 결합하면 이 구성요소들은 일곱 가지 기준을 모두 만족하며, 수렴한 목표 계산의 전자량을 필요로 하지 않는 재료 DFT용 완전한 참조 없는 전자 초기화기를 이룬다. 제안 방법은 수렴 에너지를 유지하면서 보지 못한(unseen) 구조에서 end-to-end DFT 벽시계(wall) 시간을 최대 약 25%까지 줄인다.

arXiv:2510.02259v2cs.LG

그래프 사전 지식 없이 트랜스포머가 분자 구조를 발견한다

Transformers Discover Molecular Structure Without Graph Priors

계산 시뮬레이션은 과학적 발견에서 핵심적인 역할을 하며, 기계 학습(ML)은 전통적인 물리 기반 모델링에 대한 유망한 대안으로 부상했다. 그러나 과학적 모델링에는 물리적으로 의미 있는 예측이 필요하므로, 데이터 기반 방법에 대해 근본적인 질문이 제기된다. 즉, 물리적 귀납적 바이어스—물리 세계 구조에 대한 사전 가정—가 데이터만으로 학습했을 때 어느 정도까지 창발할 수 있는가? 예를 들어 원자 수준(atomistic) 모델링에서 ML 아키텍처는 물리적 예측에 이러한 사전 지식이 필요하다는 가정 아래, 기하학적 국소성(geometric locality)과 그래프 구조 같은 강한 물리적 귀납적 바이어스를 역사적으로 내장해 왔다. 우리는 도메인 특화 사전 지식—수동으로 정의한 원자쌍 상호작용을 포함해—없이 모델을 학습함으로써, 물리적 패턴이 데이터에서 직접 어떻게 발견될 수 있는지에 대한 이해를 체계적으로 구축한다. 모델이 고전적 정전기학(electrostatics)을 반영하는 학습된 원자간 상호작용 강도, 전통적 물리 모델과 일치하는 상호작용 컷오프(cutoff) 등 핵심 물리 구조를 자율적으로 복원함을 확인한다. 또한 데이터와 연산량 증가에 따른 예측 가능한 신경 스케일링 법칙(scaling law) 거동을 보이며, 일부 지표에서는 물리 정보를 반영한(physics-informed) 아키텍처와 견줄 만한 정확도를 달성한다. 우리 결과는 설계된 귀납적 바이어스와 학습 가능한 물리 구조 사이의 경계를 명확히 하며, 범용 아키텍처가 과학적 모델링의 원칙적 기준선(baseline)이 될 수 있고, 명시적 사전 지식은 경험적으로 필요할 때만 도입하면 됨을 시사한다.

arXiv:2609.10898v1cs.CV

Symmetry-aware super-resolution of crystal orientation maps via invariant latent-space learning

Crystal-orientation maps are physical fields defined only up to crystal symmetry; electron backscatter diffraction (EBSD) resolves them experimentally, but acquisition-time constraints limit spatial resolution. Unlike conventional images, EBSD data lie on the quotient space $\mathrm{SO}(3)/G$, where $G$ is the crystal-symmetry group. Standard Euclidean interpolation can therefore mix symmetry-equivalent representations and blur grain boundaries. We introduce the Symmetry-Group-Aware Super-Resolution Attention Network (SG-SRAN), which incorporates crystal symmetry and boundary preservation by design. A frozen, locally isometric encoder maps equivalent orientations to a common latent representation in which Euclidean distance approximates misorientation. Super-resolution is performed in this space, with each high-resolution token restricted to a feature-consistent local support to prevent cross-boundary mixing. A dictionary-based decoder then recovers valid orientations. Across FCC and HCP benchmarks, SG-SRAN matches 15-16 million parameter backbones using only 27-49k trainable parameters, while achieving the lowest p68 errors, highest inverse-pole-figure fidelity, and zero-shot transfer to unseen alloys.

arXiv:2609.10012v1cs.LG

분자 기술자를 이용한 혈액-뇌 장벽 투과성 예측을 위한 설명 가능한 머신러닝 프레임워크

An Explainable Machine Learning Framework for Predicting Blood-Brain Barrier Permeability Using Molecular Descriptors

혈액-뇌 장벽(BBB) 투과성은 약물 후보 물질이 뇌 내부의 표적 부위에 도달하는 능력에 직접적인 영향을 미치기 때문에, 중추신경계 치료제 개발에서 핵심적인 결정 요인이다. 본 연구에서는 RDKit 케모인포매틱스 툴킷을 사용해 MoleculeNet BBBP 데이터셋으로부터 생성한 분자 기술자(molecular descriptor)를 이용하여 BBB 투과성을 예측하는 설명 가능한 머신러닝 프레임워크를 개발하였다. 2,039개 화합물에서 추출한 15개의 물리화학적 기술자를 사용하여 로지스틱 회귀(Logistic Regression), 서포트 벡터 머신(SVM), 랜덤 포레스트(Random Forest), 익스트림 그래디언트 부스팅(XGBoost)을 포함한 네 가지 지도 학습 머신러닝 알고리즘을 학습시켰다. 하이퍼파라미터 최적화는 GridSearchCV를 사용하여 수행하였으며, 모델 해석 가능성은 SHapley Additive exPlanations(SHAP)를 사용하여 분석하였다. 평가한 모델 중 최적화된 XGBoost 분류기가 가장 우수한 예측 성능을 보였으며, 정확도 88.97%, 정밀도 88.92%, 재현율 97.76%, F1 점수 93.13%, ROC-AUC 0.9282를 달성하였다. 층화 5-겹 교차 검증(stratified five-fold cross-validation)은 제안한 모델의 견고성을 추가로 입증하였으며, 평균 ROC-AUC는 0.8982 ± 0.0130이었다. 특징 중요도 분석과 SHAP 분석은 일관되게 TPSA, HBD, LogP를 BBB 투과성 예측을 좌우하는 가장 영향력 있는 분자 기술자로 확인하였다. 종합하면, 제안한 프레임워크는 BBB 투과성 예측에 대해 정확하고 해석 가능하며 계산 효율적인 접근법을 제공하며, 중추신경계(CNS) 약물 후보 물질의 초기 단계 스크리닝에 유용한 도구로 활용될 수 있다.

arXiv:2609.09799v1cond-mat.mtrl-sci

uFlowCSP: Mean flow 생성 모델을 이용한 결정 구조 예측

uFlowCSP: Crystal Structure Prediction using Mean flow generative models

결정 구조 예측(CSP)은 계산 기반 재료 발견의 기초이다. CDVAE, DiffCSP, FlowMM, CrystalFlow를 포함한 생성 모델들은 안정 결정 분포를 직접 학습하지만, diffusion 및 flow-matching 추론은 후보당 수십에서 수천 번의 순차적 네트워크 평가가 필요하다. 본 논문은 순간적인 확률 흐름 속도가 아니라 평균 확률 흐름 속도를 학습하는 MeanFlow 기반 CSP 모델인 uFlowCSP를 제안한다. 이 모델은 1~5회 평가로 완전한 구조를 생성하며, 동등하거나 더 나은 성능으로 5~58배 빠른 추론을 제공한다. 화학 및 대칭을 인식하는 트랜스포머는 표준 원자 순서, 전역 조성, 토큰별 화학 임베딩을 사용한다. coarse 결정계 토큰은 학습 중에만 사용되며, 추론에서는 조성식만 사용되는 상황에서도 특히 공간군 일치를 개선하는 등 가산적 이득을 준다. MP-20에서 타깃당 20개 후보 기준으로, 1스텝은 CrystalFlow(78.34%)와 동등한 78.38%를 달성하면서 평가 횟수는 100배 적고 wall-clock 시간은 약 10배 낮다. 5스텝은 83.64%에 도달하여 CrystalFlow(2,000회 평가에서 78.34%)와 DiffCSP(약 20,000회에서 77.93%)를 능가하면서 평가 횟수는 20배 적다. uFlowCSP는 10,000개 구조를 0.39~1.31분에 생성하는 반면, CrystalFlow는 6.5분, DiffCSP는 76.1분이 걸린다. CSPBench의 에너지 순위 상위 5개 구조-공간군 기준에서 5스텝 uFlowCSP는 구조, 공간군, 합의 일치율 각각 72%/72%/65%에 도달한다. CrystalFlow는 100스텝에서 78%/73%/68%에 도달하지만 5스텝에서는 49%/32%/31%로 떨어진다. 따라서 uFlowCSP는 단순히 최고 정확도만이 아니라 네트워크 평가당 정확도를 개선한다.

arXiv:2609.04541v1cs.AI

디지털 재료의 초탄성 및 점탄성에 대한 조성 의존적 구성 모델의 데이터 기반 발견

Data-Driven Discovery of Composition-Dependent Constitutive Models for Hyperelasticity and Viscoelasticity of Digital Materials

다중 재료 3D 프린팅으로 제작된 디지털 재료는 단단한 구성 요소와 유연한 구성 요소를 제어하여 혼합하도록 설계되며, 겉보기 강성이 10배(an order of magnitude) 이상 차이 나는 유효 응답을 나타내고 강한 비선형성, 조성 의존성 및 변형률 속도 의존적 소산 거동을 보입니다. 고전적인 유한 변형률 점탄성 모델은 이러한 거동을 평형 및 비평형 응력에 대한 닫힌 형태(closed-form)의 변형 에너지 함수와 내부 변수의 진화로 표현하는데, 이는 단일 구성 모델이 여러 재료와 하중 속도 전반에 걸쳐 일반화되어야 할 때 유연성을 제한할 수 있습니다. 본 연구에서는 Bergström과 Boyce의 정식을 일반화하는 데이터 기반 다중 재료 구성 모델링 프레임워크를 제시합니다. 제안된 프레임워크는 곱셈적 운동학(multiplicative kinematics), 불변량 기반 변형 에너지 함수, 그리고 정규화된 비평형 편차 응력을 따르는 스칼라 소산 진화 법칙 등 고전적 모델의 구조를 유지합니다. 평형 분기(equilibrium branch)의 경우, 데이터 기반 발견 프레임워크는 조성의 함수로서 닫힌 형태의 모델 파라미터를 직접 예측하거나 신경망 상미분방정식(NODEs)을 사용하여 다철(polyconvex) 변형 에너지 함수를 자동으로 구성합니다. 비평형 분기 역동역학(kinetics)도 유사하게 학습되며, 조성 전반에 걸친 닫힌 형태의 파라미터를 직접 식별하거나 적절히 제약된 인공신경망을 활용합니다. 다양한 재료 조성에 걸친 다중 속도 단축 압축 데이터를 사용하여, 제안된 정식이 열역학적 일관성을 유지하면서도 조성 전반에 걸친 속도 의존적 강성과 이력현상(hysteresis)을 정확히 포착함을 보입니다.

arXiv:2609.02966v1cond-mat.mtrl-sci

동적 스펙트럴 최적화를 통한 Si 메모리스터 상 에피택셜 $\mathrm{SrTiO_3}$의 산소 공공 역학을 위한 물리 정보 신경망 대리 모델

Physics-Informed Neural Network Surrogate for Oxygen Vacancy Dynamics in epitaxial $\mathrm{SrTiO_3}$ on Si memristors via Dynamic Spectral Optimization

물리 정보 신경망(PINN)은 반도체 소자 모델링을 위한 유망한 프레임워크를 제공하지만, 표준 아키텍처는 산화물 이종 구조에 내재된 심각한 수치적 강성(stiffness)과 다중 스케일 공간 불일치를 다루기 어렵다. 본 연구에서는 사용자 정의 2차 Chebyshev 2종 다항식 스펙트럴 옵티마이저(DSO V2 Hybrid)와 결합된 캐스케이드 PINN 아키텍처를 통해, 380 $\mu$m Si 기판 위 20 nm STO 박막에 걸친 Pt/SrTiO$_3$/Si 메모리스티브 이종 구조에서 이온-전자 drift-diffusion 수송을 모델링함을 보여준다. 전위, 캐리어 밀도, 공공 수송을 순차적으로 학습한 네 개의 서브 신경망으로 분리함으로써, 본 모델은 operator splitting 없이 $10^{16}$을 초과하는 조건수(condition number)를 피한다. 학습된 대리 모델은 연속 공간 전역에서 엄격한 Poisson 일관성을 보장하면서 실험적 conductive-AFM 전류-전압 히스테리시스($R^2 > 0.96$)를 재현한다. 관례적인 유한요소 솔버(예: COMSOL)와 비교할 때, PINN 대리 모델은 미분 가능한 역매개변수 추정과 선형 시간 추론을 가능하게 한다.

arXiv:2607.20058v2cs.AI

오픈 가중치 언어 모델에서 재료과학 메커니즘 표현의 읽기 및 조향

Reading and Steering Representations of Materials-Science Mechanisms in an Open-Weight Language Model

Large language models can answer scientific questions, yet a correct output does not reveal whether the model represents or uses the governing physics. Here, using three open-weight Gemma 4 models (google/gemma-4-E4B-it, google/gemma-4-12B-it, google/gemma-4-31B-it) we identify three experimentally separable signatures of materials-science mechanism information: selective concept readability, relational encoding of qualitative constitutive orientation, and causal, context-dependent control of constrained engineering answers. We combine matched direct and Jacobian vocabulary readouts, option-free state geometry, a 60-law counterfactual benchmark and causal interventions. In 50 held-out materials descriptions, three independently fitted Jacobian lenses reproduced concept ranks, and target-free word sets from both readouts enabled blinded identification of 9 of 10 mechanism families. A separate 72-prompt benchmark produced mechanism-specific hidden-state neighborhoods, but an exact graph audit showed that this apparent physical organization was equally explained by numerical comparison. We therefore compared otherwise identical prompts in which only the direction of the physical input was reversed, asking whether the resulting hidden-state movement followed the supplied constitutive law. These state transformations ordered direct, physically neutral and inverse laws across 60 frozen relations and correctly oriented 39 of 40 directional laws, whereas lexical controls were near chance. Bidirectional interventions shifted answer probabilities toward or away from the physically appropriate outcome across all 12 matched cases, while counterfactual state patches transferred opposing decision signals across mechanisms and answer formats. Physical relationships were therefore more visible in controlled state changes than in absolute states alone.

arXiv:2609.02746v1physics.chem-ph

HiPoly: 물성 예측 및 생성 설계를 위한 계층적 폴리머 네이티브 AI 프레임워크

HiPoly: a hierarchical polymer-native AI framework for property prediction and generative design

고분자 재료는 에너지·보건·교통 등에 이르는 응용과 함께 현대 기술의 중심에 있다. AI가 재료 발견에서 큰 진전을 이루었지만, 여러 길이 척도에 걸친 고분자의 계층적 구조 때문에 이를 통일적이고 물리적으로 타당한 방식으로 표현하기는 본질적으로 어렵다. 본 연구에서는 G2RINS 표현 위에 구축된 3단계 계층적 그래프 아키텍처를 통해 완전한 고분자 기술을 처리하는 폴리머 네이티브 AI 프레임워크 HiPoly를 제안한다. HiPoly는 고분자 계의 다중 스케일 특성을 반영하는 물리학적 설계 원칙을 사용하여, 확률적 단량체 간 연결성·조성·분자량을 아키텍처 안에 직접 인코딩한다. 이 프레임워크는 실험적 배합 데이터에서 물성 예측, 생성적 분자 설계, 분자 시뮬레이션을 통한 물리 기반 검증에 이르는 end-to-end AI 주도 워크플로를 단일 고분자 표현으로 통합한다. 다성분 고분자 계의 열역학적 물성에 대해 최신(state-of-the-art) 수준의 예측 정확도를 보이며, ablation 연구를 통해 각 계층적 설계 선택이 모델 성능에 독립적으로 기여함을 확인했다. 예로, 생성 설계 경로를 잔류성 불소화 고분자의 지속 가능한 대안 탐색에 적용하여, 목표 표면 에너지 물성을 갖는 PFAS-free 후보를 식별하고 독립적으로 검증할 수 있음을 보였다. 본 연구는 복잡한 고분자 화학 전반에서 표현·예측·설계를 연결함으로써 폴리머 네이티브 AI가 발견을 가속할 수 있음을 보여 준다.