PyTorchKR Papers

최신 논문

총 219편
태그·기간 등 상세 필터

카테고리 탐색

arXiv:2608.19117v1cs.LG

초해상화 생성적 적대 신경망을 활용한 배터리 전극 재료의 EBSD 처리량 향상

Enhancing EBSD throughput of battery electrode materials using super-resolution generative adversarial networks

후방산란전자회절(EBSD)을 이용한 리튬이온 배터리 전극 재료의 정량적 미세구조 특성 분석은 셀 성능을 최적화하기 위한 핵심 방법임이 입증되었습니다. 그러나 EBSD의 본질적으로 느린 특성은 개발 중인 재료 미세구조의 통계적 대표성을 확보하는 데 필요한 분석 처리량을 저해할 수 있습니다. 본 연구에서는 EBSD 처리량을 대폭 향상시키기 위해 생성적 적대 신경망(SRGAN) 기반의 머신러닝 초해상화 프레임워크를 제시합니다. SRGAN 모델은 저해상도 데이터셋을 계산적으로 개선하기 위해 LiNixMnyCozO2(NMC) 양극 입자의 EBSD 데이터로 학습되었으며, 다양한 업스케일링 배율(2배~12배)에 걸쳐 기존 보간법들과 성능을 비교 평가했습니다. 정성적 이미지 지표와 정량적 미세구조 분석 모두에서 SRGAN이 특히 미세한 결정립(grain)을 보존하고 사실적인 결정립계를 유지하는 데 있어 기존 기법들을 일관되게 능가함을 검증했습니다. 본 연구는 획득 시간의 25배 단축 또는 25배 더 넓은 시야(field of view)에 해당하는 5배 업스케일링 배율이 결정립 크기 및 형상과 같은 주요 지표에서 수용 가능한 정확도를 유지하면서 실용적임을 보입니다. 예를 들어 5배 업스케일링에서 결정립 면적 등가 직경, 결정립 최대 내접구 직경, 결정립계 길이의 상대 오차는 각각 +5.7%, +8.2%, -14.6%에 불과했습니다. 본 연구에서 개발된 SRGAN 방법론은 보다 통계적으로 견고한 미세구조 데이터셋을 위한 EBSD 수집 효율을 크게 향상시켜, 재료 연구 및 산업 공정 개발에서 EBSD가 고처리량 특성 분석 도구로 활용될 수 있도록 지원합니다.

arXiv:2608.18714v1cond-mat.mtrl-sci

단일 설계 선택 하나가 재료 머신러닝 모델의 물리적으로 불가능한 예측 여부를 결정한다

A single design choice determines whether machine learning models of materials make physically impossible predictions

재료 발견 전반에서 머신러닝으로 학습된 모델이 제1원리 계산을 대체하고 있으며, 물리적 대칭성은 이들에 내장된 핵심 보장이다. 얼마나 많은 대칭성을 학습하기보다 하드와이어할지에 대한 논쟁은 회전에 관해 진행되어 왔고, 여기서 대칭 오류는 근사 오류이다. 일부 제약은 정확하다. 대칭성은 특정 물성 텐서를 정확히 0으로 강제하므로, 0이 아닌 예측은 부정확한 것이 아니라 물리적으로 불가능하다. 본 연구에서는 모델이 그러한 예측을 할 수 있는지가 학습 전에, 거의 보고되지 않는 하나의 설계 비트—특징이 패리티(parity) 레이블을 갖는지 여부—에 의해 결정됨을 보이고, 군론만으로 어떤 물성과 결정(crystal)이 노출되는지 계산하는 기준인 패리티 갭(parity gap)을 유도한다. 아키텍처는 동일하고 그 비트만 다른 매칭 쌍을, 압전 텐서가 vanish해야 하는 중심대칭(centrosymmetric) 결정 2000개에 대해 평가했을 때, 패리티 레이블이 있는 팔(arm)은 부동소수점 한계에 머무는 반면 회전만 적용한 팔은 결정의 90–96%에서 금지된 응답을 예측하며, 정확도 손실 없이 여섯 자릿수(orders of magnitude) 차이를 보인다. 명시적 0에 대한 학습은 정확성을 회복하지 못하고, 동결된 universal potential 위의 헤드는 백본의 대칭 군을 상속한다. 무작위 초기화에서 반사(reflection) 한 번으로 수 초 내에 레이블을 검증할 수 있다.

arXiv:2608.14734v1cs.LG

해석 가능 신경망을 통한 나노결정 합성의 크기 결정 메커니즘 규명

Unraveling the Size Determination Mechanism of Nanocrystal Synthesis via Interpretable Neural Networks

나노결정 합성을 위한 심층 학습 모델은 전구체와 반응 조건을 인코딩하여 크기와 형상을 예측할 수 있게 한다. 그러나 블랙박스 특성 때문에 근본적인 합성 메커니즘에 대한 깊은 통찰을 얻기 어렵다. 본 연구에서는 나노결정 합성의 크기 결정 메커니즘을 규명하기 위해 완전한 화이트박스 신경망인 Nanocrystal Equation Learner(NanoEQL)를 개발한다. EQL 아키텍처를 바탕으로, 나노결정 합성의 수학적 방정식에 맞추기 위해 표준 활성화 함수를 대체하는 여덟 가지 연산자를 도입한다. 이 연산자 중 세 가지는 영점에서 특이 연산자가 일으키는 그래디언트 폭발을 완화하는 스무딩 연산자이다. 서로 다른 전구체의 가중치를 평가하기 위해, 농도 구동 및 반응성 구동 화학 합성 메커니즘을 온도 게이트에 인코딩하는 온도 게이트 어텐션 풀링 전략을 개발한다. NanoEQL 모델은 최종 나노결정 크기가 나노결정화 능력(-Zp), 성장 능력(Zrea), 외부 입력 전위(-Zops)를 나타내는 세 스칼라로 이루어진 선형 방정식으로 기술될 수 있음을 보여준다. 이러한 해석 가능한 스칼라는 나노결정 합성의 합리적 설계를 진전시킬 뿐만 아니라, 화이트박스 머신러닝을 통해 화학 반응 메커니즘을 해독하는 일반화 가능한 패러다임을 확립한다.

arXiv:2608.14640v1cs.LG

BDIP-Net: 이층 물질 물성 예측을 위한 이중 상호작용 그래프 학습

BDIP-Net: Dual-Interaction Graph Learning for Property Prediction of Bilayer Materials

적층 이층 물질은 층 내 강한 결합과 층 간 약한 van der Waals 상호작용 사이의 상호작용에 의해 구동되는, 적층에 따라 달라지는 풍부한 물성을 나타낸다. 이러한 물질의 계산적 발견은 정확한 구조 생성이 일반적으로 값비싼 DFT 기반 최적화(optimization)에 의존하기 때문에 어렵고, 기존 기계학습(machine-learning) 모델은 물성 예측 과정에서 서로 다른 상호작용 유형을 명시적으로 구분하는 데 종종 실패한다. 이러한 과제를 해결하기 위해, 우리는 적층 이층 물질의 효율적 구축과 물성 예측을 위한 기계학습 프레임워크를 제안한다. 이 프레임워크는 MatterSim-D3 기반 구조 최적화 워크플로를 사용하여 단층(monolayer) 빌딩 블록과 적층 구성으로부터 DFT 수준의 이층 구조를 훨씬 낮은 계산 비용으로 생성한다. 물성 예측을 위해 우리는 BDIP-Net(Bilayer Dual-Interaction Potential Network, 이층 이중 상호작용 포텐셜 신경망)을 도입하는데, 이는 상호작용별 포텐셜 표현과 적응형 메시지 융합을 통해 층 내 및 층 간 상호작용을 명시적으로 모델링하는 그래프 신경망(graph neural network)이다. 우리는 동질 이층(homobilayer), 이질 이층(heterobilayer), 꼬인 이층(twisted bilayer) 시스템을 포괄하는 BiDB, HetDB, SAMBA에서 제안 프레임워크를 평가한다. 결과는 MatterSim-D3 기반 워크플로가 DFT-PBE-D3로 최적화된 구조를 밀접하게 재현하는 한편, BDIP-Net이 이층 물성 예측에 대해 기존 그래프 신경망 및 포텐셜 기반 접근법보다 일관되게 우수한 성능을 보임을 나타낸다.

arXiv:2608.11261v1cond-mat.mtrl-sci

유기 광전 재료의 연간 전력 변환 효율 프로파일 예측을 위한 온도 구동 순차 모델링: 두알라 사례 연구

Temperature-Driven Sequential Modeling for the Prediction of Annual Power Conversion Efficiency Profiles of Organic Photovoltaic Materials: Douala Case Study

유기 태양전지(OPV) 재료는 열대 지역의 분산형 태양 에너지에 유망한 후보이지만, 기존 가상 스크리닝 도구는 표준 시험 조건(STC)에서의 정적 전력 변환 효율(PCE) 값만 보고하여 실제 배치 환건에서 겪는 온도에 의한 성능 저하를 반영하지 못한다. 본 연구에서는 지리적으로 현실적인 운전 조건 하에서 OPV donor 분자의 연간 PCE 프로파일을 예측하는 Climate-Native 계산 프레임워크를 제안한다. 이 프레임워크는 GFN2-xTB 분자 동역학과 등변 그래프 신경망 대리 모델(네이먼 계층화 CEP 분자 268개; 학습 기하 구조 120,600개; 명시적 양자화학 대비 약 1050배 속도 향상)을 결합하고, 카메룬 두알라의 NASA POWER 기후 데이터에 고정된 연간 시계열에서 학습한 순차 심층 학습 모델을 포함하며, 야운데(Yaoundé)와 마루아(Maroua)에 대한 제로샷(zero-shot) 전이로 검증하였다. Harvard Clean Energy Project(CEP)의 약 30,000개 분자에 적용하고 HOPV15 실험 소자 측정 350건과 대조하여 검증한 결과, 전체 분자 동역학 궤적에서 학습한 순차 모델이 시간 평균 기준선보다 우수한 성능을 보였다(정적 기준선 대비 상대 MAE 35%–48% 개선). 이는 열 구동构형 동역학이 평균 기하학을 넘어서는 정보를 담고 있음을 뒷받침한다. 또한 열대 조건에서의 성능 일관성에 따라 OPV 후보를 재순위하는 계절적 안정성 점수를 도입하였으며, 배치 적합성이 정적 PCE 순위와 크게 다른 분자를 식별하였다.

arXiv:2608.11283v1cond-mat.mtrl-sci

화학적으로 의미 있는 텍스트화를 통한 대규모 언어 모델 기반 금속-유기 골격체(MOF)의 설명 가능한 검증

Chemically Meaningful Textualization Enables Explainable Validation of Metal-Organic Frameworks by Large Language Models

계산에 바로 사용할 수 있는(computation-ready) 금속-유기 골격체(MOF) 데이터베이스는 하이스루풋 스크리닝에 필수적이지만, 보고된 많은 결정 구조는 화학적으로 타당하지 않거나 무질서(disordered)하여 시뮬레이션 정확도를 저하시킨다. 기존 검증(validation) 방식은 계산에 사용할 수 없는 구조를 식별할 수 있으나, 휴리스틱 규칙에 의존하거나 라이선스가 필요하거나 해석 가능성이 제한적인 경우가 많다. 본 연구에서는 결정학 정보를 화학적으로 의미 있는 텍스트로 변환하면 대규모 언어 모델(LLM)이 MOF 구조의 해석 가능한 검증기로 활용될 수 있음을 보인다. 아홉 가지 디스크립터를 벤치마킹한 결과, LLM 기반 검증의 성공은 구조 정보의 양만으로 결정되지 않으며, 국소 배위, 골격 연결성, 화학적 맥락이 언어적으로 학습 가능한 표현으로 조직되어 있는지에 달려 있음을 확인하였다. 특수 디스크립터(mof2text)를 사용해 파인튜닝한 LLM은 타당하지 않은 MOF를 식별하는 데 있어 그래프 기반 모델과 비슷한 성능을 달성한다. 중요한 점은, 이 모델들이 블랙박스 분류(classification)에 그치지 않고, 비정상적인 결합, 연결성, 전하 상태 등 오류가 발생했을 가능성이 높은 원인에 대한 진단 근거를 생성하며, 주석이 달린 데이터셋에 대해 오류 범주 예측도 수행한다는 것이다. 본 연구는 화학적 정보에 기반한 텍스트화가 LLM을 범용 텍스트 모델에서 MOF 데이터베이스 큐레이션을 위한 실용적이고 설명 가능한 도구로 전환하는 핵심 단계임을 보여준다.

arXiv:2608.11224v1cs.AI

Harnessing agent memory to build lifelong AI partners for materials scientists

Materials research advances through accumulated experience - scripts that work, protocols that are trusted, warnings attached to failed calculations or experiments, and judgement that links a new question to an old result. This experience is essential for reproducibility and knowledge transfer, yet it is usually fragmented across notebooks, repositories, job logs and individual memory, and it is rarely portable across artificial-intelligence agents. Here we argue that a lifelong AI partner for materials science can be designed around persistent memory rather than around a particular agent implementation. We introduce a self-evolving memory framework that stores scientific experience as inspectable facts and executable skills, so that observations, failure boundaries, protocols and validation checks can be retrieved, revised and migrated across models. We evaluate the idea in three computational settings that expose different layers of materials-research competence. In 49 real-world materials-tool-use questions comprising 138 executable subtasks, memory nearly doubles GPT-5.2 task success without model-parameter updates. In elemental-solid equation-of-state calculations, memory converts a wavefunction-initialization failure into a pre-execution guardrail, improving outcomes from 22/1/4 to 25/2/0 Correct/Partial/Error and avoiding 92% of repeated errors. In 13 practical material simulation workflows, remembered skills and failure facts halve the aggregate trace burden (tokens) and reduce tool calls by over a factor of two by the third round, while preserving physically meaningful outputs in band-gap, phonon, vacancy and work-function analyses. These results show that agent memory can serve as a durable scientific asset; a portable, self-improving record of materials-research experience that outlives any single model or agent stack.

arXiv:2608.07637v1cs.AI

Agent-MD: 상태 유지형 GCMC-MD 캠페인을 위한 이벤트 기반 에스컬레이션 방식의 선택적 LLM 개입

Agent-MD: Selective LLM Intervention with Event-Driven Escalation for Stateful GCMC--MD Campaigns

장기간 실행되는 분자 시뮬레이션 캠페인에는 저장된 상태로부터의 반복적인 이어 실행, 출처(provenance)를 인식하는 진행, 적응형 평가, 그리고 고정된 규칙만으로는 안전하게 해결할 수 없는 워크플로 상황에 대한 간헐적인 해석이 필요하다. 본 논문에서는 대규모 언어 모델(LLM) 추론을 캠페인 구성 단계와 이벤트 트리거 방식의 검토 단계에만 선택적으로 배치하고, 일상적인 시뮬레이션, 분석, 이어 실행, 아카이빙, 상태 진행은 승인된 정책과 명시적인 상태 기록을 사용하는 지속형 규칙 기반 캠페인 에이전트가 처리하도록 하는 프레임워크인 Agent-MD를 제시한다. Agent-MD는 다섯 가지 몬모릴로나이트(montmorillonite) 시스템과 세 단계의 순차적 상대습도(RH) 상태(RH = 0.9-0.3-0.1)로 구성된 그랜드 캐노니컬 몬테카를로-분자동역학(GCMC-MD) 수증기 탈착 캠페인에서 시연되었다. 15개의 시스템-RH 상태 전반에 걸쳐 이 워크플로는 상태별 샘플링 길이와 출처를 인식하는 재시작 상속을 적용하여 120회의 분할 시뮬레이션 사이클을 완료했다. 일상적인 프로덕션 실행에서는 실시간 추론 에이전트의 호출이 필요하지 않았으며, 한 개의 상태에서 검토 경계(review boundary)에 도달했다. 보존된 두 건의 인시던트는 이후 블라인드 추론 에이전트 리플레이를 통해 평가되었고, 이를 통해 근본적인 워크플로 문제를 파악하고 적절한 후속 조치를 권고했다. 또한 시뮬레이션에서는 조성에 따라 달라지는 뚜렷한 저 RH 응답이 나타났는데, Ca 함유 몬모릴로나이트는 Na 및 K 함유 시스템보다 층간 수분을 더 많이 유지하고 더 큰 기저 간격(basal spacing)을 유지했으며, 전하량이 가장 높은 Na 시스템은 건조 조건에서 더 많은 잔류 수분을 유지했다. 이러한 결과는 장기간 실행되는 과학 워크플로가 모든 작업을 LLM 추론 루프 안에 둘 필요는 없으며, 선택적 추론을 결정론적 실행, 구조화된 증거, 검증된 제어 인계(control handoff)와 결합하여 재현 가능하고 감사 가능한 에이전트 지원 분자 시뮬레이션을 제공할 수 있음을 보여준다.

arXiv:2608.05266v1cs.AI

Agentic self-driving microscopy benchmarks support qualification but do not necessarily generalize to unseen tasks

Large language model agents are increasingly being developed to control a wide range of scientific characterization tools including microscopes and synchrotron beamlines. Research into agentic control of physical infrastructure is nascent and there are few well-established paradigms for how to engineer an agentic system. There are many choices to make when designing a microscopy agent, including the choice of LLM, the number of agents to use, agent responsibilities and delegation rules, retrieval-augmented generation parameters, and more. When designing and optimizing an agentic microscope controller, researchers not only want to ensure that the agent can correctly perform known tasks but also that the agent can generalize to new tasks that it has not encountered before. In this study, we develop a benchmark and trace-logging framework that reveals a) how different choices of agent architecture impact performance at microscopy tasks and b) the limitations of benchmarks for predicting if a particular agent will perform well on unseen microscopy tasks. The framework was used to evaluate one-, two-, and three-agent graph topologies, five LLMs, RAG and context parameters, and operational constraints across 53 microscopy benchmark tests. In total, 105 agent configurations, 1,949 individual test runs, and 49,109 RAG retrievals were recorded. Direct comparisons showed clear differences in latency, token use, cost, and failure mode between configurations. However, surrogate models trained on agent architecture and test results did not reliably predict an agent's performance on new, unseen tasks. These results show that these benchmarks are useful for qualification, regression testing, diagnosis, and direct comparison, but the current heterogeneous test suite does not support a task-independent global configuration model.

arXiv:2608.04942v1cs.LG

CheMLFlow: 화학정보학 및 재료정보학 응용을 위한 오픈소스 플랫폼

CheMLFlow: An Open-Source Platform for Cheminformatics and Materials Informatics Applications

CheMLFlow는 과학 및 기술 응용 분야를 위한 엔드투엔드(end-to-end), 고처리량(high-throughput) 및 에이전트(agent) 기반 워크플로를 구축하고 실행하기 위한 오픈소스 플랫폼입니다. CheMLFlow는 과학 기계학습(머신러닝) 개발에서 흔히 발생하는 병목 현상을 해결하고자 합니다. 이 분야에서 연구자들은 주된 연구 기여가 특정 단 한 단계에만 해당하더라도 데이터 수집, 큐레이션, 표현, 모델 학습(training), 검증(validation), 스크리닝, 해석 및 보고를 재현 가능한 파이프라인으로 구성해야 하는 경우가 많습니다. CheMLFlow는 모듈형 워크플로 컴포넌트, 즉시 실행 가능한 참조 파이프라인, 표준화된 아티팩트 및 평가(evaluation) 출력을 제공하여 오케스트레이션 오버헤드를 줄이고 다양한 방법론 및 데이터셋(dataset) 전반의 벤치마킹(benchmarking)을 지원합니다. 이 플랫폼은 확장 가능하고 재현 가능하며 자동화 친화적으로 설계되었으며, 플러그형 표현 및 모델, 결정론적 분할, 명시적 실행 아티팩트, 배치(batch) 실행 및 보고서 생성을 지원합니다. 과학 소프트웨어가 에이전트 보조 실험으로 점차 이동함에 따라, CheMLFlow의 설정 기반 워크플로와 정형화된 출력은 코딩 에이전트가 인간의 감독하에 사용자의 실험 구성, 결과 점검 및 연구 결과 요약을 지원할 수 있는 실용적인 인터페이스도 제공합니다. 본 논문에서는 시스템 아키텍처, 핵심 워크플로, 양자역학적·물리화학적·생물학적 활성 특성 예측에서 기존 문헌 수준의 성능에 도달한 벤치마크, 그리고 분자 화학 데이터셋을 넘어선 활용성을 보여주는 시계열 데이터셋 관련 사용 사례를 설명합니다.

arXiv:2608.04651v1cs.LG

신소재 탐색에서 확장 가능한 다중 목적 베이즈 최적화를 위한 능동 학습 기반 설계 공간 정제

Active Learning Guided Design Space Refinement for Scalable Multi-Objective Bayesian Optimization in Materials Discovery

첨단 신소재 탐색은 제한된 평가(evaluation) 예산 내에서 방대한 이산형 설계 공간을 탐색하기 위해 머신러닝과 베이즈 최적화(BO)에 점점 더 많이 의존하고 있습니다. 그러나 기존의 베이즈 최적화는 후보 공간이 커질수록 비효율적이 되어, 유용한 영역에 도달하기 전에 가치가 낮은 영역을 평가하는 경우가 많습니다. 본 논문에서는 파레토(Pareto) 관련 영역을 보존하면서 소재 최적화를 가속화하기 위해, 다중 목적 베이즈 최적화와 결합된 능동 학습(AL) 기반 적응형 탐색 공간 정제 프레임워크를 제안합니다. 우리는 공유결합 유기 골격체(COF)의 CH4/N2 분리 문제와 재료 방향 응력 성분 및 두께 목적 함수를 갖는 압력 용기 설계 문제를 통해 이 접근 방식을 평가합니다. 실험 결과, AL 기반 정제는 원래 초부피(hypervolume)의 99% 이상을 보존하면서 후보 공간을 약 절반으로 축소하는 것으로 나타났습니다. 이 축소 공간 전략은 BO의 초기 수렴(convergence)과 누적 파레토 전선 발견을 개선하여, 제약이 있는 자율 신소재 탐색 환경 전반에서 효율적인 대규모 소재 최적화가 가능함을 입증합니다.

arXiv:2608.02965v1cs.LG

전력 자성 소자의 과도 자화 예측을 위한 물리 정보 기반 하이브리드 신경 연산자

A Physics-Informed Hybrid Neural Operator for Transient Magnetization Prediction in Power Magnetics

고주파, 고전력 밀도 컨버터의 자성 부품은 빠른 전이, 마이너 루프(minor-loop) 동작, 직류(dc) 바이어스 및 온도 변화를 수반하는 비정현파 자속 밀도 파형에 의해 구동되는 경우가 점점 더 많아지고 있습니다. 이러한 조건에서는 정상 상태 코어 손실 공식과 단일 값 물질 곡선만으로는 과도 자화 반응을 온전히 포착할 수 없습니다. 본 연구에서는 코어 손실 지향 과도 자화 예측을 위해 B-H 에너지 일관성 정규화를 적용한 소형의 물질별 신경망 모델인 물리 정보 기반 하이브리드 신경 연산자(Physics-Informed Hybrid Neural Operator, PI-HNO)를 제안합니다. 측정된 B(t)-H(t) 이력, 예측 구간 동안의 입력 B(t) 시계열 및 동작 조건 정보가 주어지면, PI-HNO는 H(t) 시계열과 이에 대응하는 재구성된 B-H 궤적을 예측합니다. 이 모델은 경계 상태 표현 및 속도 의존적 반응 진화를 위한 국소 순환 분기(local recurrent branch)와 파형 수준의 히스테리시스 문맥을 추출하는 프라이자흐(Preisach) 기반의 전역 분기를 통합합니다. 14가지 페라이트 물질에 대한 물질별 모델을 사용하여 MagNetX 과도 데이터베이스에서 평가한 결과, PI-HNO는 모델당 단 4,777개의 학습 가능한 파라미터만을 사용하여 시퀀스 정확도와 B(t)-H(t) 에너지 일관성 사이의 효율적인 절충점을 달성하며, 평균 및 95백분위수 B(t)-H(t) 에너지 일관성 오차는 각각 1.92%와 7.60%를 기록했습니다. 절제 연구(ablation study)는 국소, 전역 및 에너지 인식 정규화 구성 요소가 과도 자화 예측에 각각 고유한 기여를 한다는 점을 추가로 입증합니다.

arXiv:2608.01431v1cs.AI

PolymerGPT: 생성형 고분자 설계를 위한 디코더 기반 GPT 모델을 활용한 다중 물성 최적화

PolymerGPT: Multi-property Optimization with a Decoder-Based GPT Model for Generative Polymer Design

고분자 물성 예측과 원하는 물성을 목표로 하는 역생성 설계(inverse generative design)는 머신러닝 기반 고분자 설계에서 매우 중요한 두 가지 과제입니다. 물성 예측은 상당한 주목을 받아온 반면, 역생성 설계를 위한 방법론 연구는 제한적이었습니다. 기존 기법들은 생성 과정에서 단일 물성 최적화에 초점을 맞추고 있으나, 거시적 재료 거동을 정확하게 예측하려면 여러 물리적 특성을 동시에 제어해야 합니다. 본 논문에서는 다수의 고분자 물성을 직접 최적화하기 위한 혁신적인 프레임워크를 제공합니다. 학습된 조건화 접두사(learned conditioning prefixes)를 통해 최대 37가지의 널리 사용되는 고분자 물성을 생성 과정에 반영하는 디코더 기반 GPT 모델인 PolymerGPT를 제안합니다. 또한 예측된 구조에 대해 원하는 스캐폴드(scaffold)를 지정할 수 있는 스캐폴드 조건도 지원합니다. 실험 결과는 PolymerGPT가 높은 유효성(validity), 고유성(uniqueness), 신규성(novelty)을 유지하면서 무조건부 및 조건부 생성 모두에서 뛰어난 성능을 달성함을 입증합니다. 5가지 주요 물성을 조건으로 지정했을 때, 생성된 구조의 예측값들이 모든 목표 물성에 동시에 근접하게 일치하는 결과를 보였습니다.

arXiv:2607.29510v1cond-mat.mtrl-sci

고엔트로피 페로브스카이트 산화물의 형성 에너지 및 HOMO-LUMO 갭 예측을 위한 그래프 신경망 기반 규칙-불규칙 전이학습

Ordered-to-disordered transfer learning with graph neural networks for formation-energy and HOMO-LUMO gap prediction in high-entropy perovskite oxides

고엔트로피 페로브스카이트 산화물(HEPO)은 유망한 기능적 특성을 지닌 화학적으로 복잡한 소재군이지만, 방대한 조성 공간과 화학적/구조적 무질서로 인해 정확한 특성 예측에 큰 어려움이 따릅니다. 그래프 신경망(GNN)은 재료 공간의 빠른 탐험(exploration)을 가능하게 하지만, 대표성을 지닌 학습(training) 데이터의 부족으로 한계를 겪는 경우가 많습니다. 본 연구에서는 화학적으로 규칙적인 페로브스카이트에서 학습된 지식을 전이하여 HEPO의 형성 에너지 및 HOMO-LUMO 갭 예측을 수행하는 GNN 기반 규칙-불규칙 전이학습(transfer learning)을 조사합니다. 쌍별 2체 상호작용 및 각도 기반 3체 상호작용을 아우르는 구조 표현이 전이 성능에 미치는 역할을 이해하기 위해 CGCNN, GATGNN, ALIGNN, M3GNet을 포함한 4가지 대표 GNN 모델을 평가합니다. 연구 결과, 특성에 따른 뚜렷한 전이 양상이 나타났습니다. 형성 에너지 예측은 무질서한 HEPO로 효과적으로 전이되는 반면, HOMO-LUMO 갭 예측은 국소적 화학 환경에 대한 민감성으로 인해 제한적인 전이성만을 보였습니다. 소규모의 HEPO 전용 학습 데이터셋(dataset)을 통합하면 HOMO-LUMO 갭 예측 성능이 대폭 향상됩니다. UMAP을 활용한 표현 수준의 분석은 복잡한 구조-특성 관계를 포착하고 전이성을 개선하는 데 있어 ALIGNN과 같이 3체 기하학적 정보를 인코딩하는 것의 중요성을 한층 더 강조합니다.

arXiv:2607.28776v1cs.LG

물질 생성 및 평가를 위한 거친 좌표로서의 사전학습된 머신러닝 원자간 포텐셜 표현

Representations from Pretrained Machine-Learning Interatomic Potentials as Coarse Coordinates for Material Generation and Evaluation

무기 결정 구조 생성에 생성 머신러닝이 점점 더 널리 사용되고 있습니다. 대부분의 모델과 이에 대응하는 평가 방식은 단순한 형태의 결정 구조 표현에 의존합니다. 본 논문에서는 이러한 작업에 대해 MACE와 같은 사전학습(pre-training)된 머신러닝 원자간 포텐셜(MLIP)에서 추출한 원자 평균 특징(atom-averaged feature)의 유용성을 입증합니다. 먼저, 단일 분포 기반 평가 프레임워크 내에서 품질과 참신성을 모두 포착하여 물질 생성 모델(generative model)의 출력을 평가하는 거리 척도를 소개합니다. 구체적으로 두 가지 서로 다른 특징 추출기(featurizer)를 사용하는 Coarse-Fine Transport Distance(CFTD)를 도입하며, 여기서 품질 요소는 거친(coarse) MACE 특징을 기반으로 합니다. 우리는 결정 구조 품질을 포착하는 동시에 암기를 감지하는 CFTD의 다재다능함을 보여주고, 최근 도입된 연속 SUN 지표와 비교합니다. 나아가 거친 MACE 특징이 물질 생성 모델의 가이던스로 활용될 수 있음을 보여줍니다.

arXiv:2607.23886v3cond-mat.mtrl-sci

배터리 문헌의 멀티모달 마이닝을 통한 X선 흡수 분광법 데이터 활용

Harnessing X-ray Absorption Spectroscopy Data through Multimodal Mining of Battery Literature

X선 흡수 분광법(XAS)은 재료의 국소 전자 및 원자 구조를 이해하는 데 핵심적이지만, 대부분의 발표된 스펙트럼은 문헌의 그림에 내장되어 있고 파편화된 텍스트 문맥을 통해 기술되어 있어 데이터 기반 분석에 접근할 수 없는 상태로 남아 있다. 여기서 우리는 멀티모달(이미지 및 텍스트) 문헌 마이닝을 사용하여 이 분산된 지식을 AI 활용 가능한 실험 데이터 자원으로 변환한다. 우리는 전문(full-text) 논문에서 XAS 그림을 식별하고, 스펙트럼 곡선을 디지털화하며, 각 스펙트럼을 측정된 edge 및 재료에 관한 수반 메타데이터와 연결하는 확장 가능한 분광 데이터 디지털화 파이프라인을 개발했다. 이 파이프라인을 배터리 문헌에 적용한 결과, 66개의 흡수 원소와 다양한 배터리 화학을 포괄하는 13,740개의 XAS 스펙트럼으로 구성된 공개 데이터셋이 생성되었으며, 전문가 검증을 통해 스펙트럼 및 메타데이터 정보의 정확한 추출이 확인되었다. 문헌에 내장된 스펙트럼을 구조화된 수치 데이터로 변환함으로써, 이 데이터셋은 대규모 XAS 분석, 교차 실험실 비교, 고처리량(high-throughput) 특성화, 및 첨단 재료의 자율적 발견을 위한 기반을 제공한다.

arXiv:2607.27820v1cond-mat.mtrl-sci

고엔트로피 합금의 다성분·다상 미세구조 진화에 대한 가속화된 장기 예측을 위한 심층 학습

Deep Learning for Accelerated Long-Horizon Forecasting of Multicomponent Multiphase Microstructure Evolution in High-Entropy Alloys

상장 모델링(phase-field modeling)은 미세구조 진화를 예측하는 강력한 접근법을 제공하지만, 넓은 시공간 규모에 걸친 다성분 및 다상 시스템에서는 계산 비용이 지나치게 많이 든다. 본 연구에서는 BCC 및 FCC 상이 공존하는 다성분 AlCrFeNi 고엔트로피 합금 시스템에서 미세구조 진화의 장기 예측(long-horizon forecasting)을 위한 AE-GCN-LSTM 대리 모델 프레임워크를 제시한다. 멀티헤드 오토인코더는 4개 원소의 농도장과 상장 질서 매개변수(order parameter)를 잠재 표현(latent representation)으로 압축하며, 이는 시공간적 진화를 학습하기 위해 그래프로 구성된다. 이 프레임워크는 최대 3,000,000 시뮬레이션 타임스텝까지 확장되는 장기 예측 기간에 걸쳐 미세구조 진화를 정확하게 예측한다. 또한 재학습, 미세조정(fine-tuning) 또는 매개변수 적응 없이 기존에 보지 못한 조건에서 견고성(robustness)을 체계적으로 평가했다. 이러한 평가에는 FCC 석출물 크기 및 초기 위치의 변화, 1개, 2개 및 5개의 FCC 석출물을 포함하는 미세구조, 그리고 석출물의 병합 및 분할을 포함하는 복잡한 상 상호작용이 포함된다. 단일 공칭 합금 조성을 포함하는 100 x 100 계산 도메인에서만 학습되었음에도 불구하고, 이 프레임워크는 더 큰 256 x 256 및 512 x 512 시스템과 기존에 보지 못했던 AlCrFeNi 조성으로 성공적으로 전이된다. 평가된 구성 전반에 걸쳐 모델은 주요 상 형태 및 조성 진화를 보존하는 동시에 기존 상장 시뮬레이션 대비 약 7,200배에서 62,300배에 이르는 계산 속도 향상을 제공한다. 이러한 결과는 잠재 그래프 기반 AE-GCN-LSTM 예측이 다성분·다상 미세구조의 장기 시뮬레이션을 위한 확장 가능하고 계산 효율적인 대리 모델을 제공하며, 고처리량 합금 설계를 위한 유망한 기반을 마련함을 입증한다.

arXiv:2607.27295v1cond-mat.mtrl-sci

MatCreatioNN: Machine learning-guided computational discovery of photocatalysts for environmental applications

The rational design of photocatalysts for environmental remediation and CO2 conversion remains limited by the high computational cost and sparse experimental data describing multi-parameter photocatalytic behavior. This work presents an integrated machine-learning framework that couples reinforcement learning-based metal-organic framework (MOF) generation with a multi-stage Crystal Graph Convolutional Neural Network (CGCNN) prediction funnel to identify photocatalysts optimized across multiple electronic and structural features. 120,000 MOF candidates were generated and screened using 13 key descriptors, including band-gap suitability, CO2/H2O selectivity, adsorption energy, and structural stability. The funnel approach reduced computational cost by 4.13-fold while maintaining predictive robustness. Two top candidates, a Cr-based and a Zn-based MOF, exhibited predicted photocatalytic fitness values of 1.70 +/- 0.25 and 1.20 +/- 0.05 fold higher respectively than benchmark materials such as PCN-224(Zr), demonstrating simultaneous improvements in light absorption, redox energetics, and framework durability. Simulated X-ray diffraction patterns confirmed strong structural agreement with experimentally synthesized MOFs, indicating high synthesizability. Post-hoc analysis revealed recurring structural motifs, such as the N262 metal cluster, that correlated strongly with high predicted photocatalytic activity. These results highlight the potential of data-driven methods to accelerate discovery of efficient and durable photocatalysts for environmental and energy-related transformations, providing a foundation for experimental realization and large-scale implementation of computationally designed MOFs.

arXiv:2607.26464v1cond-mat.mtrl-sci

PUDA: 자율주행 연구실을 위한 AI 네이티브 하드웨어 하네스

PUDA: An AI-Native Hardware Harness for Self-Driving Laboratories

물리 통합 기기 아키텍처(Physical Unified Device Architecture, PUDA)는 자율주행 연구실(SDL)을 위한 AI 네이티브 하드웨어 하네스입니다. 인간 중심의 그래픽 사용자 인터페이스(GUI) 오케스트레이션 층(layer)을 구축하는 대신, PUDA는 하드웨어 실행의 결정론성, 원자성, 감사 가능성을 유지하면서 에이전트(agent)가 실험 전반에 걸쳐 관찰, 방향 설정, 결정, 행동(OODA)할 수 있도록 지원하는 명령줄 런타임 환경(environment)을 생성합니다. 헤드리스(headless) 설계 방식을 적용하여 기기는 탐색 가능한 명령줄 인터페이스를 통해 나타나며, JSON 프로토콜은 분산 메시징 시스템을 통해 라우팅되고, 명령 응답, 데이터 산출물 및 보고서는 구조화된 기록으로 보존됩니다. PUDA는 프로토콜, 실행(run), 시료, 측정값, 명령 로그를 실행 식별자와 타임스탬프로 연결된 AI 네이티브 데이터 구조로 정리하여, 제출된 프로토콜부터 하드웨어 응답 및 결과 데이터 산출물에 이르는 출처(provenance)를 보존합니다. PUDA는 과학적 오케스트레이션을 물리적 작동 및 데이터 텔레메트리와 분리합니다. 즉, 에이전트가 실험을 선택하는 동안 PUDA는 검증된 명령을 실행하고 출처와 연계된 상태, 응답, 데이터를 캡처합니다. 본 연구의 기여는 또 다른 옵티마이저(optimizer), 오케스트레이터, 또는 레시피 언어가 아닙니다. 이는 에이전트 기반 SDL을 위한 실용적인 실행 및 데이터 환경이며, 보다 광범위한 물리적 AI 관점에서의 의의는 PUDA가 AI 시스템이 물리적 도구와 상호작용할 수 있도록 AI 네이티브 하드웨어 하네스를 제공한다는 점입니다.

arXiv:2607.24818v1cs.IR

그래프 신경망을 이용한 결정 특성 예측을 위한 원자 및 배위 기하 구조의 이중 수준 학습

Dual-Level Atomic and Coordination Geometry Learning for Crystal Property Prediction Using Graph Neural Networks

결정 특성을 정확하게 예측하는 것은 계산 재료 과학에서 여전히 핵심적인 과제입니다. CGCNN, MEGNet, ALIGNN, SchNet과 같은 그래프 신경망(GNN)이 뛰어난 성능을 보여주었으나, 이러한 모델들은 주로 원자 수준에서 결정을 표현하며 메시지 패싱을 통해 국소적인 화학적 환경을 암시적으로 학습합니다. 그러나 많은 재료 특성은 원자와 이웃 원자들로 구성된 기본 구조 단위인 배위 다면체(coordination polyhedra)에 의해 좌우됩니다. 이러한 한계를 해결하기 위해, 원자, 결합, 배위 다면체 표현을 공동으로 학습하는 다중 스케일 GNN인 CPGN(Coordination Polyhedron Graph Network)을 제안합니다. CPGN은 세 가지의 결합된 그래프를 구성합니다. 원소 및 결합 정보를 인코딩하는 원자 그래프, 각도 상호작용을 포착하는 라인 그래프, 그리고 꼭짓점, 모서리, 면 공유 관계를 통해 보로노이(Voronoi) 기반의 국소 환경을 설명하는 배위 다면체 그래프입니다. 각 다면체에 물리적으로 유의미한 기하학적 기술자가 통합되며, 양방향 크로스 어텐션(attention)을 갖춘 인터리브 메시지 패싱 메커니즘을 통해 구조적 수준 간의 효과적인 정보 교환을 가능하게 합니다. Materials Project, JARVIS-DFT, QM9 벤치마크 데이터셋에 대한 광범위한 평가를 통해 CPGN이 기존의 최고 수준 GNN 모델들을 능가함을 입증했습니다. CPGN은 Materials Project에서 형성 에너지 MAE 0.060 eV/atom과 밴드갭 MAE 0.292 eV를 달성하는 동시에, JARVIS-DFT에서 경쟁력 있는 다중 특성 예측 성능을 제공하고 QM9에서 우수한 HOMO 예측 성능을 보였습니다. 이러한 결과는 배위 다면체를 명시적으로 모델링하는 것이 결정 표현 학습을 개선하며, 물리적으로 해석 가능한 정확한 재료 특성 예측을 가능하게 함을 강조합니다.