구조화된 메타물질(architected metamaterials)은 구조로부터 그 기능을 도출하므로, 위상(topology) 설계를 통해 물리적 응답을 프로그래밍할 수 있는 무궁무진한 기회를 창출합니다. 그러나 기존의 설계 방식은 개별 설계 문제에 맞추어 특화된 경우가 많아, 목표, 제약 조건 및 물리적 기능이 변화함에 따라 효과적이고 범용적으로 적용 가능한 설계를 위한 위상 지식을 제한적으로만 활용합니다. 본 논문에서는 학습된 위상 사전 확률(topology prior)을 재사용 가능한 설계 엔진으로 변환하는 통합 프레임워크인 GenTO(Generative Topology Optimization)를 소개합니다. GenTO는 대규모 전차수(full-order) 위상 데이터셋에서 확산 모델(diffusion model)을 학습한 후, 사용자 정의 물리적 목표와 제약 조건을 활용하여 생성된 위상 분포를 작업별 고성능 영역으로 반복적으로 유도(steer)합니다. 이는 최적화 대상을 단일 구조에서 작업에 맞춤화된 위상 분포로 전환합니다. 열 극대화, 다목적 형태 제어, 물성 목표 기반 옥세틱(auxetic) 설계, 진동 전달 설계를 아우르는 위상 설계 문제 전반에서, GenTO는 사전학습된 위상 사전 확률을 이종 작업에 재사용하고, 구조적 다양성을 보존하며, 수치 벤치마크 및 실험적 검증으로 뒷받침되는 고성능 해에 도달합니다. 이러한 결과는 재사용 가능한 위상 지식이 효과적이고 확장 가능한 구조화된 메타물질 설계를 위한 통합된 원리임을 확립합니다.
중성자 반사율 측정(Neutron reflectometry, NR)은 여러 과학 발전 분야에서 핵심적인 기반 기술입니다. 순방향 반사율 모델은 잘 알려져 있지만, NR 데이터로부터 시료의 물리적 특성을 추론(inference)하는 것은 역문제(inverse problem)의 해결을 필요로 합니다. 빔라인 과학자들은 빠른 동역학적 구성에서 NR을 사용하고 매우 복잡한 구조 및 계면을 탐침하는 경우가 점점 늘고 있으며, 이는 상당한 불확실성을 초래합니다. 마르코프 연쇄 몬테카를로(MCMC)와 같은 NR의 기존 불확실성 정량화(UQ) 접근 방식은 낮은 샘플 효율성과 느린 수렴(convergence) 시간으로 어려움을 겪습니다. 최근에는 이에 대한 대안으로 대리(surrogate) 머신러닝 모델이 제안되었습니다. 그러나 지배 방정식을 빠른 대리 모델(model)로 대체하면 물리적 직관이 상실됩니다. 대신, 본 논문에서는 NR을 위한 신속하고 대리 모델 없는 베이지안 역문제 해결 방식을 제안합니다. 우리의 접근 방식은 추론 속도와 효율성 측면에서 획기적인 변화를 제공합니다. NR 분야 최초로 반사율에 대한 정확한 그래디언트(gradient)를 계산하여 고성능 그래디언트 기반 추론 체계를 가능하게 합니다. 해밀토니안 몬테카를로(Hamiltonian Monte-Carlo)는 MCMC 대비 샘플 효율성을 대폭 개선하며, 변분 추론(Variational inference)은 수 시간이 아닌 수 초 단위로 근사 불확실성 정량화를 가능하게 합니다. 두꺼운 산화물 석영 박막에서 최고 수준(state-of-the-art)의 성능을 입증하고, 유기 LED 다층 소자의 고복잡도 영역에서 강력한 동시 피팅 성능을 보입니다. 아울러 Python 언어로 작성된 반사율 커널의 오픈소스 라이브러리를 함께 제공합니다.
pyALDIC는 전장(full-field) 변위 및 변형률 측정을 위한 증강 라그랑주 디지털 이미지 상관법(AL-DIC)의 오픈 소스 Python 구현이다. 이 소프트웨어는 그래픽 사용자 인터페이스(GUI)와 스크립트 가능한 Python API를 결합하며, 적응형 쿼드트리(quadtree) 메싱, 균열 및 구멍 근처에서의 마스크 인식 부분집합 분할, 선택 가능한 Local DIC 및 AL-DIC 솔버 모드를 지원한다. Numba 가속을 통해 효율적인 분석이 가능하며, 자동화된 테스트, 문서, 재현 가능한 예제가 Windows, macOS, Linux 전반에 걸쳐 안정적인 사용을 지원한다. 검증 사례에는 합성 변위장, 강체 운동, Mode-I 균열, 적응형 정제, 실험적 단축 인장이 포함된다. pyALDIC는 재현성을 위해 BSD-3-Clause 라이선스 하에 PyPI, GitHub, Zenodo를 통해 배포된다. pyALDIC는 https://github.com/zachtong/pyALDIC 에서 공개적으로 이용할 수 있다.
원자론적 시뮬레이션은 재료 설계의 핵심이지만, 실행에는 상당한 인간 전문성을 요구하는 복잡한 다단계 워크플로가 포함된다. 본 연구에서는 URSA(Universal Research and Scientific Agent) 프레임워크에 내장된 에이전트 기반 시스템을 제시하며, 이는 Large-scale Atomic/Molecular Massively Parallel Simulator(LAMMPS) 도구를 사용하여 시연된 원자론적 시뮬레이션의 설계, 실행, 검증을 자동화한다. 우리 시스템은 원자간 퍼텐셜(interatomic potentials)을 자율적으로 선택하고, 시뮬레이션을 구성 및 실행하며, 폐루프(closed-loop) 워크플로 내에서 반복적 오류 복구를 수행한다. LAMMPS 및 Vienna Ab initio Simulation Package(VASP) 계산을 위한 고처리량(high-throughput) 툴킷인 LAVA의 결과와 벤치마킹하여 에이전트의 과학적 신뢰성을 평가한다. 우리 프레임워크는 수동 개입과 시행착오를 줄여, 원자론적 모델링의 엄밀성, 재현성, 확장성을 향상시킨다.
허수 포논 모드(imaginary phonon modes)는 계산 재료 스크리닝에서 여전히 실질적인 병목으로 남아 있는데, 이는 선택된 워크플로우 하에서 그렇지 않다면 그럴듯해 보이는 구조가 국소적으로 동역학적으로 불안정할 수 있기 때문이다. 본 연구에서는 워크플로우 정의 포논 안정성을 위한 Materials Project 유래 결정의 스펙트럼 해상도 벤치마크 데이터셋인 PhononBench-MP40을 제시한다. 이 데이터셋은 47,969개의 MP40 워크플로우 작업에서 출발하여, 쌍을 이룬 안정성 레이블과 로컬 phonopy YAML 스펙트럼을 포함한 46,899개의 완료 레코드를 제공하며, 여기에는 16,683개의 Stable 레코드와 30,216개의 완료-포논 불안정 레코드가 포함된다. 추가 1,067개의 이완(relaxation) 실패는 완료된 포논 분모에 병합하지 않고 별도로 보고된다. 이번 릴리스는 로컬 YAML 스펙트럼을 중심으로 한다. 안정성 레이블, 최저 샘플링 주파수, 그리고 임계값 의존적 재레이블링은 모두 해당 스펙트럼에서 파생된다. 데이터셋은 Science Data Bank(https://doi.org/10.57760/sciencedb.38735)를 통해 공개적으로 이용 가능하다. 동반 GitHub 저장소는 계산 코드와 경량 접근 유틸리티를 제공한다. PhononBench-MP40은 참조 워크플로우, 데이터 스키마 및 해석 경계를 명시적으로 유지하면서, 워크플로우 정의 안정성 분류, 최소 주파수 분석, 임계값 연구 및 실패 인식 트리아지를 위한 감사 가능한 기준점을 제공한다.
인공지능(AI)은 화학적·구조적 공간의 효율적 탐색을 가능하게 함으로써 재료 예측 및 설계를 가속화하고 있으며, 특히 신규 재료 발견에 큰 가능성을 보여준다. 그러나 재료 발견에서의 참신성은 화학적 타당성, 구조적 독특성, 물성 관련성, 실험적 실현 가능성을 포괄하므로 AI 기반 참신성 주장을 입증하기 어렵다. 우리는 배치(deployment) 제약을 명확히 하고 구조적·물리적·배치 참신성을 구별하기 위해, 고유(intrinsic)적이고 조성에 의해 결정되는 물성에서 외재(extrinsic)적이고 가공(processing)에 의존하는 성능까지 이어지는 재료 물성 계층을 제안한다. 이 프레임워크는 화학 조성, 미세구조, 가공, 시험 및 특성화(characterisation)에 걸친 멀티모달 재료 데이터에 대한 증거 기반 관점을 이끌어내며, 현재 증거가 조성과 이상화된(idealised) 구조에 집중되어 있는 반면 이질적·과소 대표·약하게 통합된 모달리티가 물리적 및 배치 참신성에 대한 지지를 제한함을 보여준다. 또한 주로 계산 라벨과 대리(proxy) 참신성 기준에 기반한 벤치마크(benchmark)의 한계를 강조한다. 멀티모달 데이터 구축, 공정 인식(process-aware) 멀티모달 모델링, 실현 가능성 우선(feasibility-first) 생성형 모델링, 배치 인식(deployment-aware) 벤치마킹을 지원하려면 데이터 수집, 모달리티 정렬(alignment), 증거 종합(synthesis)에 대한 커뮤니티 전반의 표준이 필요하며, 이를 통해 생성형·멀티모달 AI가 방어 가능한(defensible) 과학적·실용적 참신성을 갖춘 실험적으로 실현 가능한 재료를 설계할 수 있다.
This paper reviews algorithmic and modeling approaches for fitting generalized power diagrams to three-dimensional image data, a key step in virtual materials testing (VMT). Beyond their practical relevance to materials science, these tessellation models connect to several active areas of applied mathematics, including optimization, computational geometry, stochastic modeling, and optimal transport. Their formulation combines concepts from convex analysis and geometric clustering, offering a rich interplay between theory and computation. We survey recent applications and quantitatively compare algorithmic strategies for fitting Voronoi diagrams, power diagrams, and generalized balanced power diagrams (GBPDs), including linear and nonlinear programming, stochastic optimization via the cross-entropy method, and gradient-based approaches. Comparative results on real datasets illustrate trade-offs between algorithmic complexity and model accuracy.
망상(reticular) 프레임워크는 다양한 지속 가능한 응용에 잠재력을 지니지만, 방대한 화학 공간이 효율적이고 체계적인 설계를 제한한다. 기계 학습은 탐색을 가속하는 설득력 있는 경로를 제공하지만, 기존 접근법은 결정 구조 기하와 창발적(emergent) 물성을 연결하는 데 있어 해석 가능성 또는 충실도 중 하나를 종종 결여한다. 여기서 우리는 3차원 주기적 공간 샘플링에 기반한 위치 해상(site-resolved) 등변(equivariant) 학습 프레임워크를 제안하며, 이는 망상 구조를 국소 기하 환경으로 분해하여 물성 예측과 위치별 기여도 분석을 동시에 수행한다. 구축 및 검색된 데이터셋의 조합으로 학습된 모델은 가스 저장, 가스 분리, 전자 물성 예측 과제 전반에서 최신(state-of-the-art) 수준의 정확도와 데이터 효율성을 달성한다. 중요하게도, 이 프레임워크는 다양한 프레임워크에 걸쳐 전이 가능한 고기여(high-contribution) 위치를 식별함으로써 해석 가능한 국소 구조-물성 관계를 드러낸다. 학습된 모티프(motif)를 활용하여, 우리는 물리 기반 시뮬레이션으로 검증된, 기록적인 N2 저장량, 강한 CO2/N2 분리 성능, 그리고 거의 0에 가까운 전자 밴드갭을 보이는 새로운 금속-유기 프레임워크(metal-organic framework)의 역설계(inverse design)를 추가로 시연한다.
비정질 재료는 뛰어난 기계적·기능적 특성을 보이지만, 그들의 거친 에너지 지형은 샘플링하기가 매우 어렵기로 유명하다. 유리 전이 온도 이하에서는 평형화가 드문 장벽 횡단(barrier-crossing) 사건에 의존하기 때문에 기존의 분자 동역학(molecular dynamics)과 몬테카를로(Monte Carlo)가 비효율적이 되며, 데이터 기반 생성 모델은 부족하고 편향된 참조 앙상블에 제약을 받는다. 여기서 우리는 목표 에너지 함수로부터 Boltzmann 분포를 따르는 비정질 구조를 직접 생성하기 위해 확산(diffusion) 과정을 학습하는 효율적인 샘플러인 ATLAS를 제안한다. 등변(equivariant) 그래프 신경망으로 매개변수화된 ATLAS는 시스템 크기, 온도, 조성에 걸쳐 일반화한다. 확산 과정의 시간 역전(time reversal)을 활용함으로써, ATLAS는 열역학량의 효율적 추정과 목표 관측량(observable)을 향한 steering을 가능하게 한다. 2차원 Kob-Andersen 시스템에서 ATLAS는 parallel tempering Markov chain Monte Carlo의 구조 분포, 자유 에너지 및 엔트로피를 재현하며, 에너지 평가를 500배 이상 적게 사용하면서 저온 유리 영역에서 0.2% 미만의 자유 에너지 오차를 달성한다. Cu-Zr 및 Cr-Co-Ni 금속 유리에서 ATLAS는 실험적으로 관측된 단거리 질서(short-range order) 경향을 복원하고, 구조를 지정된 질서 매개변수 및 최적화된 체적 탄성계수(bulk modulus)를 향해 steering한다. 또한, 조성 분摊(amortized) 사전학습(pre-training)은 처음부터 하는 조성별 학습을 능가하며, 역설계(inverse design) 비용을 수백 배 줄이고, 값비싼 범용 기계학습 원자간 potential을 사용한 샘플링을 가능하게 한다. 대규모 언어 모델(LLM) 에이전트와 결합하여, ATLAS는 강성(stiffness)과 연성(ductility)의 균형을 맞춘 고엔트로피 금속 유리를 8원소 공간에서 탐색하고, 480회의 oracle 평가 내에 수렴한 Pareto frontier를 식별한다. 종합하면, 이러한 결과는 ATLAS를 비정질 재료의 샘플링, steering 및 설계를 위한 기반 모델(foundation model)로 확립한다.
최근 몇 년간 탄소 기반 구조체에 지지된 단일 원자 촉매(single-atom catalysts)는 높은 촉매 활성과 금속 원자의 효율적 활용으로 인해 관심이 크게 증가했다. 그러나 이러한 재료의 설계와 특성화를 제1원리 계산(first-principles calculations)으로 수행하는 것은 계산 비용이 매우 크기 때문에, 가능한 구성(configuration)의 대규모 탐색을 제한한다. 본 연구에서는 그래핀 양자점(graphene quantum dots, GQDs)上의 전이금속 흡착 에너지를 예측하기 위해 그래프 신경망(graph neural networks, GNNs) 기반 프레임워크를 개발했다. 모델은 밀도 범함수 이론(density functional theory, DFT) 계산으로 얻은 데이터로 학습되었으며, DFT 대비 계산 비용을 약 6 orders of magnitude만큼 줄이면서 $R^2$ 0.906, MAE 0.101 eV를 달성했다. 이 방법론은 탄소 나노구조체 기반 신규 촉매의 가속된 스크리닝(screening)과 합리적 설계를 위한 효율적인 도구를 제공한다.
고체 역학의 핵심 문제 중 하나는 재료의 구성 법칙, 즉 변형률 이력과 응력 사이의 관계를 식별하는 것이다. 최근 기계학습은 이 분야에서 상당한 진전을 이끌어냈다. 본 연구에서는 inelastic Constitutive Kolmogorov-Arnold Networks(iCKANs)를 제안한다. 이 새로운 인공 신경망 아키텍처는 재료의 탄성 및 비탄성 거동을 모두 기술하는 기호적 구성 법칙을 자동으로 발견할 수 있다. 즉, 재료 시험 데이터를 대응하는 탄성 및 비탄성 퍼텐셜 함수의 닫힌 수학적 형태로 변환할 수 있다. iCKANs의 장점을 합성 데이터와 VHB 4910 및 VHB 4905 점탄성 고분자 재료의 실험 데이터를 통해 입증한다. 결과는 iCKANs가 물리적 해석 가능성을 유지하면서 복잡한 점탄성 거동을 정확하게 포착함을 보여준다. iCKANs의 특별한 강점은 기계적 데이터뿐만 아니라 재료에 대해 이용 가능한 임의의 추가 정보(예: 온도 의존 거동)도 처리할 수 있다는 점이다. 이로 인해 iCKANs는 앞으로 특정 가공 또는 사용 조건이 재료 특성에 미치는 영향을 발견하는 강력한 도구가 될 수 있다.
기계학습 힘장(MLFF)은 학습 분포 근처에서만 신뢰할 수 있으므로, 다양한 학습 세트를 효율적으로 구축하는 것은 처음부터 학습과 기초 모델 미세조정 워크플로 모두에서 주요 병목이 된다. 능동 학습(active learning)은 이러한 비용을 줄일 수 있지만, 표준 모델 위원회(model committee) 불확실성은 위원회 각 구성원마다 별도의 미세조정 실행이 필요하기 때문에 기초 MLFF에는 실용적이지 않다. 우리는 구성(configuration)별로 전방 패스(forward pass) 비용이 낮은 불확실성 추정기인 최종 층 투영 회귀(last-layer-projection regression, LLPR)를 기반으로 한 능동 학습 워크플로를 제시한다. 분자, 응축상(condensed-phase), 전해질 시스템 전반에 걸쳐 LLPR은 전자 구조(electronic-structure) 레이블의 극히 일부만으로 전체 데이터 정확도를 회복하는 컴팩트하고 고가치의 학습 세트를 식별한다. 기초 모델 미세조정에서 LLPR이 선택한 구성은 무작위 선택보다 훨씬 적은 레이블로 전체 풀 미세조정 상한에 도달한다. 반복적 전해질 미세조정에서 LLPR은 DFT 레이블링 이전에 비물리적 국소 배위(local coordination)를 감지하고, 절대적인 힘 오차 임계값을 제공하며, 학습 루프의 자동 종료를 가능하게 한다. 결과 모델은 기준(reference) 밀도와 이온 배위 구조를 재현하며, MLFF 학습 체계 전반에 걸친 확장 가능한 불확실성 정량화(uncertainty quantification) 전략을 제공한다.
새롭게 부상하는 지속가능 소재는 점점 더 설계된 계층 구조와 미세구조에 의존하여 그 특성과 기계적 거동을 제어하고 있다. 제어 가능한 미세구조를 갖는 이러한 소재를 최적화하려면 효율적인 다중 스케일 시뮬레이션이 필요하다. 미세 스케일에 대한 데이터 기반 대리 모델은 다중 스케일 시뮬레이션을 가속할 수 있지만, 고정된 미세구조 하나에 대해서도 대량의 데이터가 필요하다. 다중 스케일 최적화에서 그러한 것처럼 다양한 미세구조 범위를 고려할 때, 대리 모델을 학습하기 위해 훨씬 더 많은 데이터가 필요하다. 이 과제를 극복하기 위해, 우리는 하이퍼네트워크(hypernetwork)를 사용하여 하이브리드 물리-데이터 대리 모델을 미세구조 변수에 조건화한다. 이 접근법은 소규모 데이터셋으로 학습된 경우에도 균사체-목칩 복합 소재의 다중 스케일 기계적 거동을 정확하게 예측할 수 있게 한다. 조건화된 대리 모델은 기능적 등급 구조의 다중 스케일 시뮬레이션을 실현 가능하게 하며, 우리는 이를 완전한 FE^2 시뮬레이션과 대조하여 검증한다. 우리는 등급화된 다중 스케일 디스크를 최적화하고, 무작위 미세구조를 갖는 것과 비교하여 최대 응력을 42% 감소시켰다. 그다음 한 걸음 더 나아가, 미세구조에 복잡한 영향을 미칠 수 있는 제조 변수에 네트워크를 직접 조건화한다. 이는 원하는 거시 스케일 거동을 위해 미세 스케일을 설계하는 실용적인 경로이다. 본 연구는 미세구조 설계 구조의 이점을 강조하고, 조건화된 대리 모델이 어떻게 이들의 다중 스케일 최적화를 가능하게 하는지를 보여주며, 이는 미래의 지속가능 소재와 구조의 개발 및 설계를 가속할 것이다.
전자-양전자 소멸 복사(ACAR)의 각도 상관을 통해 3차원 이광자 모멘텀 밀도(TPMD)를 실험적으로 재구성하는 것은 재료의 페르미 표면을 연구하는 데 특히 유용한 방법이다. 이 방법은 저온, 초고진공(UHV) 조건, 또는 강한 자기장에 의존하지 않으며, 재료의 스핀 분해 전자 구조 연구를 가능하게 한다. 그러나 이는 여전히 어려운 역문제로 남아 있다.
일반적으로 서로 다른 각도에서 TPMD의 3--6개 투영에 대해 10^8개의 양전자 소멸 사건이 측정된다. 표준 재구성 접근법은 결정 구조의 고유 대칭성을 활용하는 코맥(Cormack) 방법의 ACAR 변형(MCM)이다. 그러나 낮은 신호 대 잡음비로 인해 페르미 표면 연구에 충분한 품질의 데이터를 수집하는 데 시료당 수개월이 걸릴 수 있다.
우리는 다양한 단계에서 지도 학습 딥러닝 모델(CNN, MLP, UNet)을 통합하여 MCM을 보강하는 데이터 기반 모델 기반 재구성 알고리즘군인 DeepCormack을 제안한다. 대규모 실험 학습 데이터셋의 부족을 극복하기 위해, 동적 모드 분해(DMD)와 결합한 특이값 분해(SVD)를 활용하여 밀도 범함수 이론(DFT)으로 계산된 단일 기준 모멘텀 밀도만으로 현실적인 합성 TPMD 볼륨을 생성하는 방법을 제안한다. 테스트 데이터에서 DeepCormack은 200M counts에서 MCM 대비 재구성 품질을 약 8.5 dB PSNR만큼 향상시키며, 낮은 counts에서도 안정적으로 유지되어 획득 시간을 크게 단축할 수 있다. 실험 데이터에 대한 일반화는 기준 모멘텀 밀도로부터의 학습 분포가 시료와 얼마나 잘 일치하는지에 크게 좌우된다. 따라서 표적 재료의 DFT 계산과 DeepCormack을 함께 사용하여 시료 특이적 학습 데이터를 생성할 것을 권장한다. 제안된 방법은 훨씬 더 높은 품질의 재구성을 제공하거나, 수 주 수준으로 획득 시간을 크게 단축할 수 있다.
본 연구는 공개 SIFBench 유한요소 데이터를 사용하여, 균열 전면을 따라 측정된 응력집중계수(SIF) 프로파일로부터 균열에 작용하는 인장, 굽힘, bearing 하중의 상대적 크기를 복원하는 역문제를 다룬다. 핵심 주장은 현장 사례에 대한 법의학적 하중 복원이 아니라, 결합 하중이 애초에 식별 가능한 경우를 엄밀하게 규명하고, 불가능한 영역에서 정확히 보정된 불확실성을 반환하는 추정량을 제시하는 것이다. 기하가 주어진 경우 하중에서 프로파일로의 순방향(forward) 매핑은 정확히 선형이며, 식별 가능성은 단일 기하학적 질문, 즉 세 가지 기본 하중 프로파일이 전면을 따라 함수로서 선형 독립인지 여부로 환원된다. 이들이 거의 종속인 경우, 서로 다른 많은 하중 조합이 거의 동일한 프로파일을 생성하며 역문제는 ill-posed가 된다. 분석은 ill-posedness의 정도가 조건수(conditioning number)만이 아니라 고유 안정성 마진에 의해 제어됨을 보인다. 단일 균열 전면 연산자는 구조화된 순방향 서로게이트(surrogate) 역할과 동시에 simplex 제약, 집합값(set-valued) 역 추정량에 필요한 미분 가능 매핑을 모두 제공한다. SIFBench 모서리 균열(corner-crack) 시나리오에서 경험적 거동은 이론과 일치한다. 전형적인 기하는 well-posed이고 상당한 소수는 진정으로 ill-posed이므로, 점 추정(point estimate)은 다수에서 신뢰할 수 있고 나머지에서는 증명 가능하게 정보를 제공하지 않는다. 검증은 통제된 합성(synthetic) 노이즈에 대해 수행되며, 실제 파괴(fracture) 사례는 사용되거나 주장되지 않는다.
본 논문은 프래그먼트 기반, 기하학 인식, 순서 비의존(order-agnostic) 자기회귀(autoregressive) 분자 설계 모델인 MolMiner를 제안한다. MolMiner는 부분 명세로부터 12가지 물리화학적·구조적 성질에 대한 고차원 조건부 제어를 지원하며, 대칭 인식(symmetry-aware) 프래그먼트 부착을 통해 분자를 구성하고, 각 생성 단계를 부분 구조의 힘장(force-field) 이완 3차원 기하에 조건화한다. 조건부 제어는 보조 속성 손실 없이도 나타난다. 타깃 속성 구간에서 조건화는 무조건 생성 대비 최대 5.25배, 학습 분포 자체 대비 3.5배까지 적중률(hit rate)을 높여 모델의 내재 편향을 덮어쓰며, 무조건 분포 충실도는 소폭 감소하는 비용이 따른다. MolMiner는 동적 기하, 대칭 처리, 순서 비의존 생성, 확장 가능한 다중 속성 조건화를 단일 프레임워크 안에서 통합한다.
본 논문에서는 기계학습 원자간 포텐셜(MLIP)에 대한 SO(2) 이론을 체계적으로 조사하고, 기존 SO(2) 선형 아키텍처가 SO(3) Clebsch-Gordan 텐서 곱(CGTP)에 비해 갖는 한계를 규명한다. 이러한 통찰을 바탕으로, Wigner D-행렬의 직접적인 데카르트 구성 및 재귀적 Clebsch-Gordan 구성을 제안하고 두 가지 새로운 상호작용 빌딩 블록을 소개한다. 첫째, 일반화된 비대칭 수축(Generalized Asymmetric Contraction)에 기반한 에지 복소 곱 기저(Edge Complex Product Basis)를 제안한다. 이는 복소값 등변 곱셈을 통해 에지 위의 고차 상호작용을 직접 구성하는 다체 전개(many-body expansion)의 새로운 공식화이다. 둘째, 외삽 성능을 향상시키고 기존의 어텐션 벡터 공식화를 능가하는 방사형 회전 복소 어텐션(Radial Rotary Complex Attention, RRA)을 소개한다. 또한 원자 클러스터 확장(Atomic Cluster Expansion) 모듈에 여러 개선 사항을 도입한다. 이러한 발전을 바탕으로, OMat24, sAlex, MPTrj에서 모델을 학습시키고 Matbench Discovery에서 최첨단(SOTA) 성능을 달성하는 TECE-OAM-RRA-1.0을 소개한다.
제조업에서 AI 기반 시각 검사를 배포하는 것은 요구사항이 자주 변경되고, 새로운 결함 유형이 등장하며, 대규모 레이블 데이터셋을 구하기 어렵기 때문에 매우 어렵습니다. 우리는 최소한의 레이블 데이터만으로 소형 비전-언어 모델(VLM)을 새로운 산업 과제에 빠르게 적응시키기 위한 답변 조건부 사고의 연쇄(CoT) 지식 증류를 제안합니다. 최전선 VLM은 각 학습 이미지를 정답 레이블과 함께 입력받아 근거 있는 시각적 설명을 생성하며, 이후 30억 매개변수 모델이 LoRA를 통해 이러한 추론 보강 예제들로 미세조정됩니다. 정답에 조건화함으로써 모든 학습 추론이 올바른 결론을 향하도록 보장하는데, 이는 최전선 모델이 가장 어려운 과제에서 24.1%까지 낮은 점수를 기록하기 때문에 매우 중요합니다. 우리는 과제당 18개에서 30개의 레이블 이미지만 사용하여 세 가지 이미지 모달리티에 걸친 네 가지 산업 분류 과제에서 검증합니다. 과제당 4개의 시드(총 32회 학습 실행)에서, 우리의 방법은 16개의 모든 시드-과제 조합에서 직접 미세조정을 능가하며, 평균 +1.7에서 +4.4 퍼센트포인트 향상을 달성합니다. 통제된 동등 예산 실험을 통해 이 향상이 추가 학습 단계가 아닌 추론 품질에서 비롯됨을 확인합니다. 비조건부 기준선은 답변 조건화 없이는 잘못된 추론이 성능을 17.8 퍼센트포인트 저하시킴을 보여줍니다. 용접 방사선 사진 분류에서, 미세조정된 30억 매개변수 모델은 단 24개의 학습 이미지만으로 GPT-4.1을 10.0 퍼센트포인트 능가합니다.
역설계(inverse design)는 광대한 화학 공간을 효율적으로 탐색하여 목표 특성을 가진 새로운 소재를 발견하기 위한 신흥 데이터 기반 패러다임으로, 불균일 촉매 반응(heterogeneous catalysis) 분야에서는 표면 생성 모델이 촉매 표면-흡착질 구조를 직접 생성함으로써 이 목표를 최근 크게 진전시켰다. 그러나 이러한 모델들은 통상적으로 슬래브(slab) 수준에서 동작하며 대응하는 부모 벌크(bulk) 구조를 제공하지 않아, 형성 에너지, 표면 에너지, 결정학적 대칭성, 합성 가능성 등 벌크 의존적 특성을 평가하기 어렵다. 본 연구에서는 이러한 슬래브-벌크 연결의 부재를 검색 문제로 정의하고, 슬래브와 벌크 결정 표현을 공유 잠재 공간(latent space)에 정렬하는 대조 표현 학습 모델인 CatRetriever를 제안한다. CatRetriever는 슬래브 쿼리로부터 분포 내(in-distribution) 및 홀드아웃(holdout) 평가 세트 모두에서 R@1 > 91%, R@3 > 98%의 성능으로 그럴듯한 부모 벌크 후보를 정확하게 검색한다. 나아가 CatRetriever 프레임워크를 벌크 검색, 생성적 탐색 공간 확장, 흡착 에너지 분포 분석을 결합한 흡착 에너지 목표 기반 벌크 발견 파이프라인으로 확장한다. 이 워크플로우는 쿼리 슬래브와의 구조적 호환성 및 다양한 표면 환경에 걸쳐 목표 흡착 에너지 범위에 도달하는 능력을 기준으로 후보를 평가한다. CatRetriever는 따라서 촉매 생성 모델을 물리적으로 타당하고 흡착 에너지에 호환되는 벌크 촉매 발견과 연결하는 확장 가능한 경로를 제공한다.
인공지능(AI)은 과학적 발견을 변혁하고 있지만, 그 효과는 구조화된 과학 지식의 가용성에 의해 근본적으로 제한된다. 기존 데이터베이스들이 데이터 기반 소재 연구를 가속화해왔음에도 불구하고, 예측 모델링과 역설계에 필요한 지식의 상당 부분은 비구조화된 과학 문헌 속에 묻혀 있다. 우리는 과학 논문을 통합 AI 준비 과학 지식 베이스(Unified AI-Ready Scientific Knowledge Base)로 변환하는 자율 과학 지식 생성 프레임워크를 제안한다. 이 프레임워크는 온톨로지 기반 문헌 획득, 하이브리드 과학 지식 추출, 의미적 조화(semantic harmonization), 지식 융합, 그리고 검증을 단일 워크플로 내에 통합한다. 문헌 검색, 정보 추출, 데이터베이스 구축을 별개의 작업으로 처리하는 대신, 이 프레임워크는 과학 논문을 AI 기반 추론에 적합한 구조화되고 의미적으로 일관성 있으며 출처가 보존된 지식으로 점진적으로 변환한다. 개념 증명으로서, 이 프레임워크를 전기-광학 소재 분야에 적용하였다. 자율 문헌 획득을 통해 다수의 학술 저장소에서 약 1,000편의 논문을 검색하고 검증하였다. 8편의 대표 논문으로 구성된 부분집합을 전체 워크플로로 처리하여 29개의 구조화된 과학 레코드를 생성하였고, 이를 7개의 표준 과학 레코드로 조화하였다. 결과는 정량적 측정값, 운영 조건, 출처, 과학적 맥락을 보존하면서 과학 문헌에서 AI 준비 과학 지식 베이스로의 완전한 변환을 입증한다. 제안된 프레임워크는 예측 AI, 생성 AI, 폐루프 AI 기반 과학적 발견을 위한 확장 가능하고 도메인 독립적인 기반을 제공한다.