인공지능(AI)은 데이터베이스 구축, 예측 모델 학습(training), 새로운 발견 유도를 위해 과학 문헌을 데이터 소스로 점차 더 많이 활용하고 있습니다. 그러나 문헌 기반 데이터셋은 보고된 실험값이 내부적으로 일관되며 직접 재사용 가능하다고 가정하는 경우가 많습니다. 본 논문에서는 고체 전해질(SE)의 전도도 데이터를 대표적인 재료과학 사례로 사용하여 이러한 가정을 분석합니다. 원본 논문에서 큐레이션된 데이터셋에 이르기까지 수치를 추적함으로써, 텍스트-도표 간 불일치, 모호한 축 표기, 단위 불일치, 측정 맥락 누락 등이 반복적으로 발생함을 확인했습니다. 이러한 불일치는 수치상으로 그럴듯하여 일상적인 전처리 과정에서 감지하기 어려운 경우가 많지만, 데이터베이스 구축 및 머신러닝 재사용 과정에서 구조화된 라벨 노이즈로 전파될 수 있습니다. 교차 데이터베이스 사례 분석에 따르면 모호한 보고로 인해 전도도 값이 100배 왜곡될 수 있음을 보여줍니다. 우리의 분석은 데이터 정확성을 인공지능 기반 과학 발견을 위한 인프라 요건으로 재정의하며, 재사용 가능한 과학 데이터를 위한 추적 가능한 보고, 큐레이션, 검증(validation) 관행의 필요성을 환기합니다. 주요 키워드: AI for science, 데이터 신뢰성, 과학 데이터베이스, 구조화된 라벨 노이즈, 문헌 기반 데이터, 재료 인포매틱스, 고체 전해질
대규모 언어 모델(LLM)은 점점 더 자율 코딩 에이전트로 배치되고 있으며 소프트웨어 공학 벤치마크에서 매우 강한 성능을 보여 왔다. 그러나 이러한 성공이 계산 과학 워크플로로 이어지는지는 불분명하다. 여기서는 과제가 뛰어난 코딩 능력뿐 아니라 복잡하고 도메인 특화된 절차를 탐색하고 과학적 주장의 맥락에서 결과를 해석하는 능력도 요구된다. 이 질문에 답하기 위해 우리는 계산 재료과학 논문의 주장을 재현하는 LLM 기반 에이전트 능력을 평가하는 벤치마크 AutoMat을 제시한다. AutoMat은 세 가지 상호 연관된 과제를 던진다: 불완전하게 명시된 계산 절차의 복원, 전문화된 툴체인 탐색, 그리고 그렇게 얻은 근거가 주장을 뒷받침하는지 판단하는 것이다. 우리는 해당 분야 전문가와 긴밀히 협력하여 실제 재료과학 논문에서 주장을 엄선하고, 코딩 에이전트가 그러한 주장을 지지(또는 반박)하는 데 필요한 end-to-end 워크플로를 복원·실행할 수 있는지 검증한다. 이어 여러 대표적인 코딩 에이전트 설정을 여러 파운데이션 모델에 걸쳐 평가한다. 결과는 현재 LLM 기반 에이전트가 AutoMat에서 전반적으로 낮은 성공률을 보이며, 최고 성능 설정도 성공률이 53%에 불과함을 보여 준다. 오류 분석은 워크플로를 논문 본문만으로 재구성해야 할 때 에이전트 성능이 가장 나쁘고, 실패의 주된 원인이 불완전한 절차, 방법론적 일탈, 실행 취약성임을 추가로 밝힌다. 종합하면, 이러한 결과는 AutoMat을 계산 과학 재현성을 위한 벤치마크이자 AI-for-science 환경에서 에이전트형 시스템의 현재 한계를 진단하는 도구로 자리매김한다.
디지털 부피 상관(DVC)은 부피 영상으로부터 3차원 전장 변위 측정을 제공하지만, 기계학습 기반 DVC 모델의 내부 해상도가 정확도와 운용 범위에 미치는 영향은 잘 알려져 있지 않다. 본 연구에서는 인코더 다운샘플링 계수 s = 2, 4, 8을 갖는 해상도 인식형 순환 전쌍 필드 변환(RAFT) 기반 DVC 솔버군인 RAFT-DVC를 제안한다. 매칭 설계를 통해 세 솔버가 변위를 약 0.017 특징 격자 voxel 단위로 국소화함을 확인했으며, 이는 실증적으로 약 0.017s voxel에 비례하는 원시 부피(raw-volume) 오차 스케일링에 해당한다. 솔버들은 변위 도달 범위와 부피 텍스처 호환성이 공동으로 결정하는 상보적인 운용 체제를 보인다. 합성 벤치마크에서 RAFT-DVC는 미세 텍스처·소~중간 변위 조건에서 튜닝된 고전 DVC와 동일 차수의 오차를 달성하고, 거친 텍스처·대변위 조건에서는 경쟁력 있거나 유리해진다. 주파수 스윕 테스트는 변형의 공간 해상도를 정량화하고, 타일 추론은 대형 부피에서의 밀집 추정을 가능하게 한다. 압입 중 획득한 공초점 부피 영상에 대한 평가는 솔버 운용 체제를 변형 크기 및 영상 텍스처에 맞추는 것의 중요성을 보여준다. 입자 라벨 합성 데이터에만 학습했음에도 엘라스토머 발포체 micro-CT 영상에 대한 테스트는 교차 텍스처 전이의 증거를 제공한다. 또한 3차원 RAFT 상관 샘플링의 좌표 순서 불일치를 확인하고, 네트워크 학습과 독립적으로 샘플러 기하를 검증하는 비정육면체(non-cubic) 임펄스 테스트를 도입한다. 샘플러를 수정하면 원본 입력 정확도와 보지 못한 부피 차원에 대한 일반화가 향상된다. 종합하면, 이러한 결과는 RAFT-DVC를 정확도와 운용 체제가 규명된 밀집 DVC를 위한 빠르고 해상도 인식형 프레임워크로 확립한다.
부식은 전 세계 GDP의 약 4%를 차지하며, 적시 완화를 위해서는 신뢰할 수 있는 예측이 필수적이다. 기계학습은 조성, 미세구조, 환경 변수로부터 부식 속도를 효과적으로 예측하지만, 그 이면의 메커니즘을 설명할 수는 없다. 안전이 중요한 재료 공학에서 신뢰할 수 있는 접근은 정확한 검색(retrieval)뿐만 아니라 기계론적으로 정당화 가능한 추론도 요구하며, 이는 기존 사실성(factuality) 지표로는 평가할 수 없는 역량이다. 본 연구는 마그네슘 합금 부식 사례에 시연된, 부식 지식 종합을 위한 도메인 적응 검색-증강 생성(RAG) 프레임워크를 제시한다. 오픈 가중치(open-weight) 언어 모델 3종(Llama-3.1-8B, Qwen-2.5-7B, Mistral-7B)을 840편의 동료 검수 논문에서 수집한 3,309개의 전문가 검증 질의-응답 쌍으로 파인튜닝하고, 하이브리드 dense-lexical 검색 파이프라인과 통합한다. 검색 증강은 Token F1을 143–194% 향상시키며, 시스템 충실도(faithfulness)는 0.964, 컨텍스트 재현율은 0.988이다. 신규 발표 문헌과 사내 전기화학 데이터에 대한 블라인드 외부 검증이 추세 수준의 일반화(generalisation)를 확인한다. 또한 명제 그래프(proposition-graph) 프레임워크인 Reason Map을 도입한다. 이는 생성된 답변과 검색된 문헌으로부터 방향성 증거 그래프를 독립적으로 구축하여, 단순 사실성 지표로는 드러낼 수 없는 인과 방향 전도와 근거 없는 추론 도약을 체계적으로 탐지할 수 있게 한다. 모듈형 아키텍처는 여러 도메인에 적용할 수 있으며, 부식 문제 완화를 위한 신뢰할 수 있는 AI 보조 지식 종합의 일반화 가능한 청사진을 제공하고, 다른 공학 도메인에도 적용할 수 있다.
분말 X선 회절(XRD)은 재료 특성화의 중심이지만, 신뢰할 수 있는 종단 간 자동화는 여전히 어렵다. XRD 에이전트는 회절 증거를 해석하고, 정밀화(refinement) 소프트웨어를 조작하며, 결합된 매개변수를 방어 가능한 순서로 관리하고, 수치적 개선과 물리적 타당성을 구분해야 한다. 본 논문에서는 분말 XRD 분석을 단계적 정밀화로 구조화하고, 행동을 관측된 증거에 그라운딩하며, 결과를 수락하기 전에 결정론적 결정학·물리적 검사를 적용하는 자율 대규모 언어 모델(LLM) 에이전트 프레임워크 AutoXRD를 제안한다. 또한 상보적인 두 트랙을 갖춘 XRDBench를 소개한다. XRDBench-QA는 과학적 추론과 의사결정을 분리하는 100개의 제한된 진단 과제를 포함하고, XRDBench-E2E는 파일 검사, 결정학 소프트웨어 실행, 반복 정밀화, 증거 보존, 보고를 요구하는 완전한 분석으로 이러한 역량을 통합할 수 있는지 검증하는 34개의 실행 가능한 워크플로를 포함한다. 최근 LLM 10개를 1,340회의 모델–과제 실행에 걸쳐 평가하였다. 모델들의 평균은 100점 만점에 57.8에 불과하며, XRDBench-QA 61.9에서 XRDBench-E2E 53.7로 낮아진다. 정밀화 이력 평가와 결과 수락에서는 가장 잘 수행하지만, 정밀화 행동 선택, 상(phase) 정량화, 인덱싱, Rietveld 정밀화에서는 여전히 상당히 약하다. GPT-5.6 Sol은 전체 최고 점수 81.1을, GPT-5.6 Terra는 XRDBench-E2E 최고 점 추정 81.0을, GPT-5.6 Luna는 최고의 점수–비용 트레이드오프를 달성한다. Ablation 결과 AutoXRD의 여섯 구성 요소가 모두 일관되게 성능을 향상시켜 프레임워크 설계를 뒷받침한다. 마지막으로 실행 추적 분석은 결합 매개변수 제어, 정량적 추론, 증거 보존, 워크플로 종료에서 반복되는 실패를 드러내며, 더 강한 과학적 제약, 불확실성 인식 의사결정, 더 효율적인 계획의 필요성을 시사한다.
푸리에 신경 연산자(FNO)는 함수 공간 사이의 매핑을 학습하기 위한 효율적인 프레임워크를 제공하며, 설계상 학습 및 평가에 사용하는 격자 해상도와 무관하다. 그러나 FNO는 적용되는 주기적 영역(domain)과는 무관하지 않다. 이산 스펙트럼 가중치는 물리적 파수벡터(wavevector)에 대응하는 정수 푸리에 모드 번호로 색인된다. 다른 영역에 적용하면 동일한 학습된 가중치가 서로 다른 파수벡터에서 작용하고, FNO는 아무런 경고 없이 서로 다른 연산자를 나타낸다. 이 때문에 영역 간 전이(transfer)가 핵심인 과제에는 FNO가 부적합하다. 우리는 FNO의 영역 독립적 대안으로 유클리드 푸리에 신경 연산자(EFNO)를 제안한다. 스펙트럼 커널을 물리적 파수벡터의 연속 함수로 매개변수화함으로써 EFNO는 형태와 크기가 다른 주기적 영역에서 일관되게 작용하는 연산자를 학습할 수 있다. 단순한 열 방정식과, 서로 다른 결정 구조에 걸친 교환-상관 전위(exchange-correlation potential) 학습이라는 실용적으로 중요한 재료 과학 과제에서 EFNO를 평가하였으며, EFNO가 보지 못한 격자 크기와 영역으로 일반화할 수 있음을 보였다.
공명 초음파 스펙트럼으로부터 탄성 상수를 추론하는 것은 유한한 스펙트럼 데이터에 기반한 비선형적이며 일반적으로 과결정(overdetermined) 역문제이다. Rayleigh-Ritz 역문제를 물리적으로 허용 가능한 탄성 텐서(elasticity tensor) 집합 위에서 제약 역-등스펙트럼(inverse-isospectral) 문제로 공식화한다. 이는 허용 가능한 탄성 다양체(manifold) 상 역매핑(inverse map)에 대한 유효한 저차원 변수를 유도한다: 길이 및 탄성 스케일, 종횡비 좌표, 스케일 불변 스펙트럼 특징, 안정성을 준수하는 탄성 비율. 이러한 변수로 물리 정보 학습 파이프라인을 구성하며, 회귀 모델은 축소된 스펙트럼 및 기하 특징에만 작용하고 스케일 복원과 최종 탄성 상수 재구성은 해석적으로 부과한다. 전체 cubic 벤치마크에서 재구성된 상수는 $C_{11}$, $C_{12}$, $C_{44}$에 대해 각각 $20.37(35.15)$, $24.30(41.33)$, $2.13(3.66)~\mathrm{GPa}$의 MAE 값을 갖는다. 고정 기하(fixed-geometry) 벤치마크에서 해당 cubic MAPE 값은 $4.14(3.87)\%$, $8.31(8.50)\%$, $2.44(2.86)\%$이며, 등방성(isotropic) 경우 부피(bulk) 및 전단(shear) 탄성률에 대한 값은 $4.0(3.6)\%$ 및 $0.4(0.3)\%$이다. 역문제는 Hookean 탄성의 기하, 스케일링, 결정 대칭, 열역학적 안정성에 맞춘 변수들에서의 제약 회귀 문제가 된다.
확장 가능한 기계학습(ML) 전자 구조 모델과 고급 양자 수송(QT) 솔버를 통합하여 반도체 소자를 시뮬레이션하는 새로운 제1원리(ab initio) 접근법을 제안한다. 개발한 프레임워크는 밀도 범함수 이론(DFT) 대비 약 10,000배의 속도 향상으로 20,000개 이상의 원자로 구성된 소자의 해밀토니안(Hamiltonian) 행렬을 생성하면서도 높은 예측 정확도를 제공한다. 이 고유 기능을 이용해 MoS2/산화물 시료와 단층 MoS2 전계효과 트랜지스터(FET)를 조사했으며, 이때 주변 산화물 층(HfO2 또는 Al2O3)을 QT 영역에 명시적으로 포함했다. 특히 반도체-산화물 계면 근처에 배위 부족(undercoordinated) 금속 원자(Hf 또는 Al)가 존재하면 전자 전류의 크기와 MoS2를 통한 전류 전파에 유의미한 영향을 미친다는 점을 밝혔다.
배터리 수명은 지속 가능한 전동화의 핵심이지만, 리튬 이온 양극재 열화를 유발하는 입자 균열을 측정하기는 어렵습니다. 각각의 파괴적 전자현미경 단면이 수억 픽셀에 달하고 픽셀 수준의 전문가 라벨링에 이미지당 수 시간이 소요되기 때문에, 이러한 열화의 정량적 현미경 검사는 어노테이션이 병목이 됩니다. 본 연구에서는 동결된 자기지도 비전 트랜스포머(vision-transformer) 인코더를 경량의 학습 가능한 디코더 및 반복적인 모델 보조 어노테이션과 결합하여, 이러한 희소한 라벨링 예산으로도 집단 규모의 열화 측정이 가능함을 보입니다. 초기 상태, 사이클 노화 상태, 캘린더 노화 상태를 나타내는 세 개의 1억 2천만 픽셀 NMC 양극재 단면에 적용한 결과, 본 프레임워크는 입내(intragranular) 균열을 초기 및 후기 입계(intergranular) 균열과 구분하고 입자별 균열 폭, 비틀림도(tortuosity), 면적 비율의 분포를 산출합니다. 후기 입계 균열 커버리지는 사이클 노화 샘플에서 4.6%에 도달한 반면 초기 및 캘린더 노화 샘플에서는 0.5%에 불과하여 더 비틀리고 커버리지가 높은 네트워크를 형성하며, 이는 고온 보관 단독에 의한 열화보다는 반복적인 전기화학적 사이클링에 의한 열화와 일치합니다. 단 한 장의 파괴적 이미지로도 수명 연장 설계, 노화 평가, 재사용(second-life) 의사결정에 필요한 집단 수준의 통계치를 도출할 수 있습니다.
분자 결정 구조 예측(CSP)은 분자 형태(conformation) 및 패킹의 미세한 차이가 재료 특성에 큰 영향을 미칠 수 있는 제약, 농약 및 유기 전자 분야에서 중요합니다. 본 논문에서는 분자 그래프로부터 원자 좌표와 격자(lattice)를 공동으로 예측하는 분자 CSP용 플로우 기반(flow-based) 생성 모델인 Packora를 제시합니다. Packora는 다성분 및 유기금속 결정을 지원하며, 단일 모델 내에서 분자 컨포머, 입체화학 라벨, 공간군(space-group) 정보의 임의의 부분집합을 조건으로 설정할 수 있습니다. CCDC CSP 블라인드 테스트에서 영감을 받아, 생성기 자체의 품질을 분리하여 평가하기 위한 생성 평가와 공통 완화(relaxation) 및 랭킹 파이프라인 하에서 엔드투엔드 성능을 측정하기 위한 랭킹 평가를 분리하여 수행합니다. 또한 아키텍처, 학습(training), 조건화, 추론(inference), 스케일링을 체계적으로 연구하여 캐시 가능한 쌍별(pairwise) 추론, 학습 목적식 및 수치 해석기 선택, 조건화 드롭아웃(dropout), 쌍별 표현과 단일 표현 간의 균형 잡힌 스케일링을 기반으로 한 효과적인 설계를 도출했습니다. Packora는 구조 생성 및 랭킹 벤치마크 모두에서 베이스라인 모델들을 능가하며, 6개 생성 벤치마크 전체에서 동일 예산 기준 최고의 커버리지를 달성했을 뿐만 아니라 랭킹에서도 더 높은 실험 형태 복원율, 더 낮은 실험 형태 순위, 더 빠른 수렴(convergence)을 달성했습니다.
본 연구는 공명 비탄성 X선 산란(resonant inelastic X-ray scattering, RIXS) 분광법에 시뮬레이션 기반 추론(simulation-based inference)을 최초로 적용한다. 절단 주변 신경 비율 추정(truncated marginal neural ratio estimation)으로 사전분포(prior)를 효율적으로 제한하고, 결합 밀도 추정기로 조건부 플로우 매칭(conditional flow matching)을 사용하여, 두 Ni$^{2+}$ 화합물—공유 결합(covalent) 사례를 대표하는 NiPS$_3$와 보다 원자적(atomic)인 K$_2$NiF$_4$—에 대해 적 modest한 시뮬레이션 예산으로 완전한 사후분포(posterior)를 추론한다. RIXS 맵의 물리적 배치와 일치하는 토큰화를 갖는 비전 트랜스포머(vision transformer) 인코더가 일반적인 이미지 인코더보다 더 잘 덮이고(well-covered) 더 날카로운 사후분포를 제공함을 보인다. 검증된 방법을 실험 NiPS$_3$ 및 K$_2$NiF$_4$ 데이터에 적용하면, 점 추정기(point estimator)로는 보이지 않는 매개변수 상관을 드러내는 결합 사후분포와 관측 스펙트럼과 밀접히 일치하는 사후 예측 분포(posterior predictive distribution)를 복원한다. 상환(amortized) 사후분포는 nuisance를 주변화(marginalize)한 불확실성 정량화, 다중 측정 사후 융합, 능동 실험 설계(active experimental design) 등 이 분야에서 이전에 불가능했던 분석 클래스를 가능하게 한다.
무기 고체 전해질은 높은 상온 이온 전도도, 넓은 전기화학적 창(electrochemical window), 우수한 전자 절연성, 그리고 유리한 기계적 순응성을 동시에 갖춰야 한다. 학습 데이터 분포 불일치, 물성 간 데이터셋 이질성, 그리고 희소한 운동학적 수송 데이터 때문에 단일 모델만으로는 방대한 화학 공간에서 신뢰할 수 있는 다목적 스크리닝을 수행하기 어렵다. 이러한 한계를 극복하기 위해, 우리는 네 개의 상보적 모듈을 통해 효율, 정확도, 신뢰성을 순차적으로 조율하는 계층적 시너지 심층 학습 프레임워크를 개발했다. 자체 개발한 L-G-DCNN과 DenseGNN 기반 다중 충실도(multi-fidelity) 구현은 각각 조성 및 구조 전문가로서 열역학적 거친 스크리닝과 다중 물성 평가를 담당하며, MatterSim과 시스템 특화 DeePMD 모델은 수송 사전 평가와 운동학적 검증을 제공한다. 체계적 벤치마크는 각 모듈이 해당 과제에서 주류 대안보다 우수함을 보여 주며, 회고적 검증은 모듈 수준 정확도와 end-to-end 워크플로 신뢰성의 이중 폐루프 검증을 확립한다. Alex/ICSD에서 파생된 30,364,908개 후보에 적용한 결과, 프레임워크는 상온 이온 전도도 0.109–59.0 mS/cm인 고성능 후보 97개를 식별했으며, 여기에는 할라이드 94개, borohydride 1개, 산화물 2개가 포함된다. 독립 실험 데이터와의 일치는 94개 할라이드 중 76개가 보고된 고전도도 구조 영역 내에 있음을 확인한다. 분석 결과, 기하학적 Li 자리 수보다 Li$^{+}$ 점프 네트워크 연결성이 상온 이온 전도도의 핵심 결정 요인임이 드러난다. Li 결함 공학(defect engineering)은 산화물 수송을 효과적으로 향상시키지만, O$^{2-}$ 골격의 고유한 강성은 산화물 전해질 성능의 잠재적 상한을 시사한다.
개체가 공유 환경을 통해 조율할 때 집단 지능이 창발할 수 있으며, 국소적 행동이 지속적인 사회적 조직으로 축적될 수 있다. 언어 모델 에이전트는 이러한 과정을 위한 새로운 기질을 제공하지만, 대부분의 멀티에이전트 시스템은 직접 대화, 사전 정의된 역할, 또는 중앙집중형 워크플로에 의존한다. 분산형 에이전트가 기능적 기술을 구축하고 독립적 탐색보다 뛰어난 성능을 낼 수 있는지는 여전히 불분명하다. 여기서 SwarmWorld의 초기에 동질적인 LLM 에이전트는 할당된 역할이나 레시피 없이 자기조직화하여 진화하는 기술 사회를 형성한다. 에이전트는 공간 환경을 탐험하고, 자원을 처리하며, 재료를 시험하고, 지속적인 인공물을 구축하고, 실행 가능한 컨트롤러를 작성한다. 이 컨트롤러는 에이전트가 제거된 후 보지 못한 교란 하에서 결정론적 시뮬레이터로 평가된다. SwarmWorld는 인지와 결과를 분리한다. 에이전트는 고정된 행동 및 재료 스키마 내에서 아키텍처와 컨트롤러를 제안하고, 시뮬레이션된 세계가 기능을 결정한다. 공유 사회는 강력한 best-of-N 고립 탐색 기준선보다 더 넓고 회복력 있는 기술 포트폴리오를 발전시키지만, 고립 탐색은 가장 강력한 인공물에 대해서는 여전히 경쟁력을 유지한다. 에이전트는 탐험, 건설, 유지, 조율 행동으로 분화하며, 세계가 성숙함에 따라 전환한다. 기술은 협력적 건설, 실행 가능한 상속, 지속적인 에이전트-인공물 네트워크를 통해 축적되며, 대부분의 재사용은 의사소통보다는 물리적 관찰을 통해 시작된다. 명시적 문화적 메커니즘은 협력과 조직을 증폭하지만, 기능적 이점은 결과와 시간 척도에 달려 있다. 물리적 스티그머지만으로도 유능한 사회를 지탱하며, 상호작용은 보편적으로 우수한 개별 발명보다는 지속적인 기술 생태계를 주도한다.
취급 및 저장 과정에서의 열 안정성 예측은 안전하고 신뢰할 수 있는 에너지성 물질 설계에 필수적이다. 그러나 프로토콜과 분석 방법의 차이로 실험실마다 실험 측정값이 크게 달라져, 신뢰할 수 있는 예측 모델을 학습하기 어렵다. 본 연구는 차분 학습(differential learning)으로 이 문제에 대응한다. 절대 분해 온도를 예측하는 대신, 분자 쌍 간 상대적 차이를 예측하도록 메시지 전달 신경망(message passing neural network)을 학습한다. 이 접근은 체계적 실험 오차에 대한 민감도를 낮추며, 동일한 이질적 데이터셋에서 기존 회귀 방법보다 우수하게 화합물을 열 안정성 순으로 rank하는 데 85% 이상의 정확도를 달성한다. 예측을 이끄는 요인을 파악하기 위해 ab initio 계산과 화학정보학(cheminformatics) 소프트웨어에서 유도한 기술자(descriptor)로 만든 해석 가능한 대안과 신경망 모델을 비교한다. 이 분석은 결합 해리 엔탈피(bond dissociation enthalpy)가 열 안정성 순위의 핵심 결정 요인임을 밝혀, 열분해의 복잡한 화학에 대한 추가 통찰을 제공한다. 차분 학습 프레임워크는 그래프 신경망부터 고전적 기술자 기반 접근에 이르는 모델 아키텍처 전반에 일반화된다. 절대값이 아니라 상대적 물성을 학습하는 것이 노이즈가 큰 실험 데이터 모델링에 실용적인 해법이 되며, 열 안정성 예측이 안전 프로토콜 수립에 기여하는 재료 설계에 직접 적용될 수 있음을 결과가 보여준다.
LLM 에이전트를 활용한 다목적 재료 발견은 제안할 수 있는 후보 수뿐 아니라, 비용이 큰 물성 평가마다 그 결과가 다음 탐색 단계에 얼마나 효과적으로 반영되는지에 의해서도 종종 제한된다. 기존 에이전트는 주로 평가된 후보와 그 점수를 저장하므로, 어떤 재료가 성공했는지는 알지만 어떤 실행 가능한 편집이 유용한 물성 변화를 일으켰는지는 알지 못한다. 목표가 상충하고 한 물성을 개선하는 편집이 다른 물성을 손상시킬 수 있을 때 국소 정교화가 어려워진다. 우리는 평가된 편집을 피드백의 기본 단위로 삼는 전이 인식 잔차 제어 프레임워크 TRACE를 제안한다. TRACE는 각 국소 정교화를 관측된 물성 변화량과 함께 부모-편집-자식 전이로 기록하고, 전이 증거를 집계해 재사용 가능한 편집 효과를 추정하며, 이미 충족된 목표를 손상시키지 않으면서 현재 후보의 남은 제약 위반을 줄일 것으로 예측되는 정도에 따라 향후 편집의 순위를 매긴다. 동일 백본을 사용한 통제 비교에서 TRACE는 최첨단 LLM 에이전트 기준선인 LLEMA보다 우수하며, 매크로 평균 hit rate를 18.13%에서 25.96%로 높였다.
폴리에틸렌(PE)은 가장 널리 사용되는 합성 고분자 중 하나입니다. PE의 합성 및 가공 공정은 잘 확립되어 있지만, 원자 수준 해상도(즉, 각 원자의 위치)에서 미시 구조를 정밀하게 실험적으로 규명하는 것은 여전히 고결정성 시스템에 주로 국한되어 있습니다. 이러한 격차는 거대 분자를 설명하는 데 필요한 시공간 규모에 도달하기 위해 원자 간 상호작용에 대한 근사적이지만 효율적인 설명을 사용하는 경험적 원자간 퍼텐셜 기반 컴퓨터 시뮬레이션을 통해 해결되는 경우가 많습니다. 이러한 경험적 퍼텐셜은 벌크 및/또는 집합적 특성에는 일반적으로 잘 작동하지만, 반응 과정 등과 같은 복잡한 시스템에서는 화학적 사실성 확보에 어려움을 겪습니다. 본 연구에서는 SeA 고처리량 프레임워크를 기반으로 한 제1원리 반데르발스(vdW) 보정 하이브리드 밀도범함수이론(DFT)의 화학적 사실성과 딥 퍼텐셜(DP) 머신러닝 힘장(MLFF)의 계산 효율성을 결합하여 이러한 문제를 해결합니다. 이 접근법을 사용하여 일반적인 고압(초임계) 라디칼 중합 조건 하의 에틸렌 용매 내 PE 올리고머 및 폴리머의 구조와 역학을 연구합니다. 연구 결과, 라디칼을 포함하는 PE 올리고머의 국소 용매화 환경이 사슬 길이 (n~6) 이상에서 수렴함을 발견하였으며, 이는 올리고머로 학습된 MLFF가 훨씬 더 긴 폴리머로 확장 가능함을 시사합니다. 이어 단일 사슬 구조 및 역학의 분자량(molecular weight) 스케일링을 특성화하여 긴 PE 사슬에 대한 이러한 모델의 확장성을 확인하였으며, 이는 전형적인 양용매 거동을 보여주었습니다. 개발된 PE MLFF는 완전한 원자 수준 해상도에서 광범위한 열역학적 상태 지점 및 사슬 길이에 걸쳐 일관된 수준의 정확도와 안정성을 유지하여 제1원리 기반의 고분자 구조 및 물성 예측을 향한 길을 열었습니다.
역재료 설계는 재료 발견을 순방향 예측에서 물리적 제약 하에서 목표를 만족하는 후보의 목표 지향적 제안으로 전환하고 있다. 본 논문에서는 결정성 고체를 위한 생성적 결정 구조 모델링, 멀티모달 학습, 폐루프 설계 파이프라인의 진전을 검토한다. 생성기가 데이터베이스로부터 화학-구조 사전(prior)을 어떻게 학습하여 주기적 구조의 제어 가능한 샘플링을 가능하게 하는지를 조사하고, variational autoencoder, normalizing flow, autoregressive 모델, diffusion 모델을 비교한다. 이러한 계열 전반에 걸쳐 실행 가능성 제약과 물리적 사전이 표현, 학습 목표부터 샘플링 시점 guidance, 스크리닝, relaxation에 이르기까지 어디에 들어가는지를 살핀다. 또한 결정 구조, 열역학 및 전자 정보, 현미경, 분광학, 가공 맥락, 과학 텍스트를 결합하여 재료 표현을 구성하는 멀티모달 학습도 논의한다. 조건부 생성과 잠재(latent) 최적화, 베이지안 최적화, 강화학습, 능동 학습(active learning)을 통합하는 역설계 전략도 검토한다. 대리 모델 활용(surrogate exploitation), 다양성 붕괴, 분포 이동(distribution shift), 안정성-합성 가능성 격차(stability-synthesizability gap) 등 반복되는 실패 양상을 강조하고, 유효성, 신규성, 고유성, 안정성, 비용에 기반한 평가를 개괄한다. 신뢰할 만한 주장을 뒷받침하기 위해 9단계 발견-신뢰성 사다리(discovery-credibility ladder)를 정의하고 최소 보고 기준을 제안한다: 선언된 매칭 허용 오차와 데이터베이스 스냅샷; 고유성, 학습 집합 암기, 외부 재발견의 별도 보고; 연속적 거리 분포로서의 신규성; functional 및 hull 버전을 포함한 energy-above-hull 분포; relaxation 생존률 및 동역학적 안정성 비율; 신뢰할 만한 hit당 검증 비용. 이러한 공개 없이 제시되는 헤드라인 유효성 또는 S.U.N. 비율은 정보가 없는 것으로 간주해야 한다.
과학적 발견은 단순한 답변 생성이 아니라, 증거·산출물·연산·검증기가 타입화되는 표현 체제(representational regime)를 수정하는 일이다. 본 논문은 재료과학을 위한 에이전틱 발견에 대한 범주론적 설명을 전개한다. 스키마 범주 S_b를 갖는 고정된 체제 b에서 시스템 상태는 코프리셰프(copresheaf) I_t: S_b -> Set이며, 출처(provenance)는 원소의 범주 \int_{S_b} I_t이다. 고정 체제에서의 연산은 이러한 상태에 대한 업데이트이며, 출처를 보존하는 정제(refinement)가 명시되고 보존될 때에만 자기함자적(endofunctorial)이다. 반면 발견은 검증된 체제 전이 u: S_b -> S_b'이다. 기존 산출물은 보존되고, 좌 Kan 확장 Lan_u I_t를 통해 전달(transport)되며, 전이 이후의 상태와 비교되어 함자적 전달을 넘어서는 잔여 내용을 식별한다. 이를 통해 주관적 새로움 개념 없이도 검색, 탐색, 발견을 구분할 수 있다. 우리는 이 프레임워크를 두 가지 시스템에 적용한다. Builder/Breaker에서는 최소 기술 길이(Minimum Description Length) 게이트 하에서 단백질 역학 월드 모델이 수정되며, 수용된 법칙은 사슬 내 유연성을 느린 집합 모드(collective-mode) 참여도에 의해 조건화된 전체 모드 탄성 컴플라이언스, 즉 모드 조건부 컴플라이언스(mode-conditioned compliance)로 표현한다. CategoryScienceClaw에서는 타입화된 스킬, 산출물, 미충족 요구(open needs), 워크플로 변형, 게이트, 스트레스 테스트, 공개 담론이 증명을 동반하는 지식-연산 그래프가 된다. 섬유 네트워크 예시는 후보 모델, 기각된 대안, AIC 게이트, 섭동 테스트, 그리고 등방성 섬유 개수 기술자 대비 수용된 방향 텐서 기반 이방성 강성 대리 모델(surrogate)을 기록한다. 종합하면, 이 사례들은 범주론이 발견을 위한 수학적 언어이자 자기 수정 AI 발견 시스템을 위한 엔지니어링 명세가 될 수 있음을 보여준다.
다중 스케일 작업의 조율은 계산 재료 발견을 위한 효과적인 전략이지만, 다양한 알고리즘과 도구를 반복적으로 적용해야 하므로 어려움이 따릅니다. 본 연구에서는 금속-유기 골격체(MOF)의 전체 스크리닝 파이프라인을 실행할 수 있는 대규모 언어 모델(LLM) 에이전트 시스템인 MAESTRO를 소개합니다. MAESTRO는 방대한 양의 MOF 문헌을 처리하고 관련 출판물을 해당 결정 구조와 연결하며, 결과를 계산 준비가 완료된 데이터베이스로 큐레이션한 뒤 점진적으로 계산 비용을 증가시키는 전략을 통해 스크리닝을 수행합니다. 습식 배기가스 조건에서의 분리를 위해 식별된 유망 후보 물질들은 모두 관련 없는 연구들로부터 도출되었습니다. 계산 재료 발견의 이종 단계를 연결함으로써, MAESTRO의 LLM 기반 에이전트는 다양한 응용 영역에 걸쳐 작동할 수 있으며 기존의 스크리닝 접근 방식으로는 고려하기 어려웠을 고성능 재료를 발견할 수 있습니다.
The materials science literature encodes decades of experimental knowledge in figures, yet this visual record remains locked away and inaccessible to AI at scale. The core difficulty is structural: most scientific figures are compound, with a single caption describing multiple sub-panels simultaneously, making direct image-text pairing unreliable. We present MatMMExtract, an end-to-end open-source pipeline that resolves this by decomposing compound figures into individual sub-panels and generating structured, grounded annotations using a large language model guided by a curated materials science taxonomy. Applied to 14,810 open-access articles, MatMMExtract produces MatSciFig; 391,606 panel-level image-text pairs from 180,571 figures, each annotated with a sub-caption, a two-level visualisation category spanning 19 classes and over 100 subtypes, and a scientific summary. To enable accurate panel localisation, we introduce MaterialScope, a domain-specific detection dataset of 2,811 manually annotated materials science figures, on which a fine-tuned YOLO12-m detector achieves mAP_50 of 0.9227. Among six benchmarked language models, Gemini 3.1 Flash Lite delivers the best cost-quality trade-off for annotation generation, with 82% of outputs rated good and a hallucination rate of 4.8%. A dual-encoder retrieval baseline on MatSciFig achieves a 4.4 times improvement in R@1 over zero-shot CLIP, demonstrating the dataset's immediate utility for vision-language learning. All resources are released openly to the community.