전자 타이코그래피는 주사되는 프로브의 여러 위치에서 얻은 회절 패턴인 4D-STEM 데이터로부터 원자 구조를 복원한다. 현재의 코드는 이미지를 재구성한 뒤 거기서 원자를 읽어내거나 $L_1$ 손실 하에서 원자를 피팅하며, 어느 쪽도 원자별 불확실성을 제공하지 않는다. 우리는 원자, 현미경, 검출기를 푸아송 우도 하에서 기록된 전자 계수에 직접 피팅하는 미분 가능한 물리 렌더러인 4D-TEMPO를 제안한다. 출력은 각각 3D 위치, 열 폭, 그리고 피셔 정보로부터 얻은 모델 조건부 오차 막대를 가진 가우시안 프리미티브인 원자의 목록이다. 피셔 정보는 또한 해법의 조건을 개선하고, 각 매개변수에 필요한 선량(전자/{\AA}$^2$)을 제시하며, 보정과 이미징을 분리한다. 시뮬레이션된 WSe$_2$ 이중층에서 공개된 재구성으로부터 시작할 때, 피팅된 원자는 면내 오차를 3분의 1 줄이고(3.2 대 4.8 pm) 3D 피크 대비 깊이 오차를 40-61% 줄인다. 깊이는 직접 빔 바깥의 희미한 계수인 암시야로의 다중 산란에서 얻어진다. 피사계 심도보다 $10\times$ 더 가까운 두 층이 분리되며, 이후 원자별 깊이는 층 기하를 따른다. 모델이 잘 명세되었을 때 오차 막대는 보정되어 있다(위치 좌표의 69%가 $1\sigma$ 이내). 실험 WSe$_2$에서 피팅된 원자는 우리가 시험한 세 가지 공개 코드보다 보류된 패턴을 더 잘 예측한다. 원자가 불완전한 곳에서 자유 프로브 모드를 사용하면 동일한 우도가 보류된 세 벤치마크 모두에서 가장 잘 예측하고, 최대 20.5시간이 걸리는 모든 WSe$_2$ 기준 모델과 5분 만에 대등해지며, PrScO$_3$에서 torchslice를 공개된 설정에서 180$\times$ 더 빨리 넘어선다. 원자별 오차 막대, 계획된 선량, 빠른 재구성은 빔에 민감하고 동적인 재료의 저선량 실시간 3D 이미징을 가리킨다.
분말 X선 회절(PXRD)은 공유결합 유기 골격체(COF)와 많은 다른 물질의 구조에 대한 주된 증거이다. 그러나 수십 년간 측정된 패턴은 출판된 그림 속 이미지로만 존재한다. PXRD 그림은 단일 곡선부터 레이블, 삽입 그림, 인접 그래프가 빽빽하게 쌓인 형태까지 형식이 매우 다양해 기존 컴퓨터 비전으로는 다루기 어렵기 때문에 자동 복원은 어렵다. 본 연구는 비전 대규모 언어 모델(LLM)이 각 그림의 레이아웃을 해석하여 회절 그래프와 그 곡선의 위치를 찾고 각 곡선의 대략적인 궤적을 그려 내며, 고전적 컴퓨터 비전(CV)이 모든 궤적을 픽셀 수준 정확도로 정제하는 파이프라인을 제시한다. 3,954편의 COF 논문에 적용하여 보정된 회절 곡선 11,445개를 생성하였으며, 이를 공개 데이터베이스 COF-PEAK로 배포한다. 60개 패널을 수작업으로 디지털화한 결과와 비교했을 때 추출된 피크 위치의 차이는 중앙값 0.07도에 불과하다. 논문들은 보통 몇 개의 피크 각도만 보고하여 추가 분석이 제한되는 반면, 디지털화된 곡선은 결정성의 잠재적 지표인 피크 두드러짐이 합성 조건에 따라 어떻게 변하는지 추적할 수 있게 한다. 따라서 비전 LLM과 고전적 CV는 이러한 그림을 재사용 가능한 실험 데이터로 바꿀 수 있다.
재료 기계학습의 급속한 발전은 대규모 이종 데이터셋에 의존하지만, 다양한 실험, 시뮬레이션, 데이터베이스 통합에서 비롯된 불완전한 데이터로 인해 모델의 신뢰성이 손상되는 경우가 많다. 실제 재료 데이터베이스에는 측정 오류, 실패한 계산, 누락되거나 중복된 레코드, 물리화학적 제약에 대한 숨겨진 위반이 포함될 수 있다. 이러한 문제는 손상된 샘플이 명시적인 이상치로 나타나지 않고 통계적으로 그럴듯하게 남아 있을 수 있어 식별하기 어렵다. 본 논문에서는 도메인 지식과 그래프 구조 학습을 통합한 신뢰도 기반 재료 데이터 품질 평가 프레임워크를 제안한다. 데이터 품질은 이진 이상 탐지 과제가 아니라 연속적인 신뢰도 추정 문제로 정식화되며, 이를 통해 샘플 수준의 평가와 과거 기준 기반의 배치 비교가 가능하다. 9차원 특징 품질 사전분포와 중복 인식 샘플 초기화는 재료 도메인 규칙과 통계적 근거를 사용하여 보정된다. 신뢰도는 샘플-특징 이분 그래프 전파와 약지도 그래프 어텐션을 통해 추가로 정제되며, Memory-GAT 모듈은 과거 기준 점수화를 제공한다. 23개 ODDS 벤치마크 데이터셋에 대한 실험에서 일반 모듈은 평균 AUC-ROC 0.866을 달성하였다. mp\_20에 대한 다섯 차례의 반복 혼합 오염 실험에서 규칙 보정은 HistGradientBoostingRegressor의 테스트 $R^2$를 $0.538\pm0.008$에서 $0.616\pm0.014$로 향상시켰다. 그래프 정제는 평균 정밀도를 $0.943\pm0.004$에서 $0.953\pm0.004$로 높였으며, 규칙 보정 구성은 평가된 스크리닝 구성 중 가장 높은 평균 테스트 $R^2$를 보였다. 다섯 차례 반복된 MACE 부분집합 실험에서도 규칙 기반 스크리닝 이후 $R^2$가 $0.590\pm0.053$에서 $0.880\pm0.027$로 증가하였다.
확산 기반 사전학습은 모든 사전학습 구조에 대해 에너지·힘·응력과 같은 양자역학적 레이블을 요구하지 않으면서, 그래프 신경망이 재료 물성 예측에 전이할 수 있는 표현을 학습하는 강력한 전략으로 자리 잡았다. 그러나 이 방법은 여전히 중요한 전제에 의존한다. 퍼텐셜 에너지 곡면의 국소 최솟값 부근에 있는 구조가 필요한데, 이러한 구조는 전통적으로 알려진 화합물이나 실제 합성한 화합물에 비용이 큰 밀도 범함수 이론(DFT) 이완을 적용해 얻었다. 이 때문에 사용할 수 있는 사전학습 데이터의 규모와 구조 다양성이 제한되며, 결정 구조 공간의 넓은 영역이 탐색되지 않은 채 남는다. 이 병목을 완화하기 위해 확산 기반 사전학습과 합성 구조 생성을 결합한다. 섭동 후 이완, MatterGen을 통한 생성 샘플링, 원형 구조 열거라는 세 가지 상호 보완적 전략을 하나의 합성 데이터 생성 파이프라인에 통합한다. 구조 이완이 필요하면 생성 구조마다 새로 DFT 이완을 수행하는 대신 기계학습으로 얻은 빠른 원자 간 퍼텐셜을 사용한다. 무작위로 초기화한 Orb-v2 백본으로 좌표 잡음 제거 대조 조건과 연속 시간 분산 보존(VP) 및 sub-VP 확산 목적함수를 비교한다. 데이터 출처 비교에는 MatBench 물성 예측 과제 일곱 가지를 사용하며, 원형 구조 규모 확장 연구에는 여덟 번째 과제인 mp_gap을 포함한다. 모든 합성 데이터 사전학습 조건이 출처 비교에 포함된 과제 일곱 가지 모두에서 무작위 초기화보다 수치상 높은 성능을 보였다. 학습을 400에포크로 고정하고 원형 구조 말뭉치를 2만 개에서 16만 5천 개로 늘리면 대부분의 과제에서 MP-20k 사전학습과 같거나 그 이상의 성능을 보인다. 이 실험에서는 데이터 다양성과 최적화 업데이트 횟수가 함께 증가하므로, 결과는 데이터와 연산량을 동시에 늘린 효과를 반영한다.
생성 모델과 자율 에이전트는 이제 수백만 개의 무기 결정 후보를 제안하지만, 대부분의 스크리닝은 최소 거리 기준 외에는 거의 검사하지 않으며 실패의 화학적 이유를 제시하지 않는다. 거의 한 세기 동안 폴링 규칙은 결정 구조 안정성에 대한 주요 경험 이론으로 사용되어 왔으나, 정성적이고 이상화되어 있어 알려진 이온 결정 중 규칙 2-5를 동시에 만족하는 것은 6.5%에 불과하다. 본 연구에서 에이전트는 200만 개의 후보 법칙을 생성, 시험, 반증하여 무기 구조 타당성 규칙(Plausibility Rules for Inorganic Structures, PRIS) 여덟 가지를 발견한다. 이 법칙들은 단거리 반발, 이온 접촉과 충진, 정전기적 균형, 결합 원자가 보존, 결정학적 자리 단순성이라는 다섯 가지 물리적 메커니즘을 담고 있다. 실험 구조는 PRIS 법칙 집합을 82-99%의 경우에 만족하며, 가장 엄격한 집합은 인위적으로 손상된 구조의 87.9%를 탐지하여 기존 거리 기준의 1.6-3.2%를 크게 상회한다. 합성 레이블 없이 도출되었음에도 PRIS 타당성은 합성 가능성과 선형 상관이 매우 높으며, PRIS에서 도출한 연속적 합성 점수(PSS)는 합성이 어려운 구조의 83.7%를 설명 가능하게 걸러내면서 실험 구조의 80.7%를 유지한다. 초비압축성 결정을 목표로 하는 역설계 과제에서 PRIS와 PSS에 의한 설명 가능한 스크리닝은 밀도범함수이론(DFT) 검증 대기열을 최대 67.3% 줄이면서 DFT로 검증된 목표 후보의 99.2%를 유지한다. 스크리닝을 넘어 PRIS는 GNoME의 저대칭 초과가 인위적인 원소 배열에서 비롯됨을 추적하고 위조된 결정 구조를 식별한다. PRIS는 스크리닝을 통과 또는 실패 판정에서 실패의 화학적 이유로 이동시키며, 자율 에이전트가 능동적 반증을 통해 계산과 실험을 안내하는 물리화학 법칙을 발견할 수 있음을 보여 준다.
머신러닝 원자 간 퍼텐셜(MLIP)은 양자역학 참조 계산보다 훨씬 적은 비용으로 그에 가까운 정확도를 얻는다. 효율이 MLIP의 목적이지만 이를 높이는 전략은 체계적으로 검토되지 않았다. 이 논문은 효율을 중심으로 기존 접근법을 검토한다. 공통 기준에서 MLIP를 비교하기 위해 원자 클러스터 전개(ACE)와 이를 그래프로 일반화한 GRACE라는 완비 기저 전개로 표현한다. 이 전개는 단일 입자 함수의 곱으로 구성하는 표준적인 표현이다. 내장 원자법 같은 고전적 원자 간 퍼텐셜과 등변 트랜스포머를 비롯한 여러 현대 MLIP를 이 전개로 표현할 수 있다. 따라서 여러 MLIP 아키텍처의 차이는 대체로 어떤 상호작용을 표현할 수 있는지보다 비선형성, 층 간 결합, 최적화를 어떻게 다루는지에서 나타난다. MLIP 계산 비용이 시스템 크기에 선형으로 증가하고, 텐서 분해 랭크가 고정됐을 때 모델 복잡도에 대해서도 선형으로 증가하는 방식을 보인다. 비선형 매개변수화와 최적화를 제공하는 머신러닝의 역할도 논의한다. 효율은 일정한 정확도에서 비교해야 의미가 있으므로 정확도와 비용을 함께 비교한다. Matbench Discovery 리더보드에서 층을 3~5개 사용하는 모델은 더 깊은 모델의 정확도에 근접했다. 한 기저를 오차와 속도의 파레토 전선에 따라 절단한 구성들 사이의 계산 비용은 100배 넘게 차이가 났다. 결국 모든 MLIP의 품질은 학습 데이터에 달려 있다.
결정 구조 예측(CSP)은 신소재 생성과 발굴을 앞당기는 중요한 단계다. 최근 확산 기반 CSP 방법이 크게 발전했지만, 다양한 재료 공간을 다룰 때 기존 모델은 여전히 생성 편향을 보이며 성능 편차의 원인을 체계적으로 추적하는 방법도 제한적이다. 이를 해결하기 위해 메커니즘 분석 프레임워크인 계층적 분석 전략(LAS)을 제안한다. 결정 구조의 복잡성과 원소 조성의 불균형을 생성 난이도에 영향을 주는 두 핵심 요인으로 식별하고 모델의 생성 성능과 어떤 관계가 있는지 밝힌다. 이 결과를 바탕으로 데이터 구조를 고려하는 확산 모델 DSADiff를 제안한다. LAS가 찾은 핵심 요인을 하나의 생성 난이도 표현으로 바꾸고, 이를 바탕으로 특징 모델링과 학습 전략을 함께 최적화한다. 따라서 데이터 구조와 난이도가 다른 샘플에 맞춰 표현과 생성 방식을 조정해 샘플 간 학습 편향을 줄일 수 있다. Carbon-24를 포함한 CSP 벤치마크 데이터셋 세 개에서 일치율과 평균제곱근오차(RMSE)가 모두 일관되게 개선됐다. 일치율은 최대 9% 향상돼 기존 최신 방법을 넘어섰다. 이 연구는 생성 편향의 관점에서 확산 기반 CSP 모델을 설명하고, 복잡한 재료 공간에서 편향이 적은 생성 모델을 설계하는 방향을 제시한다.
재료 연구는 흩어져 있으며 계속 늘어나는 데이터, 지식, 시뮬레이션 도구에 의존하며, 하나의 연구가 문헌 분석, 계산, 실험에 걸친 여러 날의 워크플로로 이루어지는 경우가 많다. 대규모 언어 모델 에이전트는 이제 재료 데이터를 검색하고, 시뮬레이션 코드를 운용하며, 자율 실험실로 설계-합성-특성 분석 루프를 닫을 수 있다. 그러나 이러한 에이전트에 새로운 능력을 추가하고, 장기 실행 작업을 궤도에서 벗어나지 않게 유지하며, 과거 작업과 사용자 피드백으로부터 학습하게 하는 것은 여전히 어렵다. 본 논문에서는 세 가지 핵심 구성요소를 갖춘 재료 연구용 에이전트 운영체제 MatOS를 제시한다. (1) 데이터, 지식, 도구, 스킬, 역할, 워크플로를 재사용 가능한 자산으로 조직하는 계층적 과학 자산 그래프, (2) 과학적 검증을 포함한 명시적 실행 그래프로 작업을 수행하여 재개와 추적이 가능한 상태 기반 적응형 워크플로, (3) 실행 기록과 사용자 피드백으로부터 이러한 자산을 수정하는 증거 기반 자산 진화이다. ResearchClawBench에서 MatOS는 동일한 기반 모델로 기존 최고 성능 에이전트보다 11.15% 향상되었으며 비용-점수 파레토 프런티어를 확장한다. 공통 기반 모델 조건에서 Codex CLI와 Claude Code를 능가하며, MatTools에서 Codex CLI보다 2.13%, SciAgentGym에서 4.17% 높다. 8건의 연구 사례에서 MatOS는 3천만 개가 넘는 후보 구조를 97개의 고체 전해질 후보로 좁혔고, 모체 구조보다 계산된 전도도가 높은 할라이드 변형 89개를 찾아냈으며, 사전학습된 11개 원자간 포텐셜의 힘 오차를 국소 원자 환경과 연결했고, 기준선 대비 오차를 각각 3.1%와 13.6% 줄인 두 가지 새로운 방법을 지원하였다. 이러한 결과는 연구 능력을 재사용 가능하고 진화하는 자산으로 조직하면 에이전트가 길고 여러 단계로 이루어진 재료 연구를 수행할 수 있음을 보여준다. 코드는 https://github.com/DingyangLyu/MatOS 에서 확인할 수 있다.
X선 및 중성자 산란은 응집물질물리학과 재료과학 전반에서 구조 분석에 없어서는 안 될 수단이다. 그러나 산란 실험은 일반적으로 위상 정보 없이 강도만을 기록하므로, 서로 다른 구조가 유사한 산란 패턴을 만들 수 있고 그에 따라 해당 역문제는 유일해를 갖지 않는다. 이러한 모호성은 상보적인 측정을 결합하여 줄일 수 있으나, 이를 기계학습 프레임워크에 통합하는 것은 여전히 어렵다. 본 논문은 사전분포 상각(prior-amortized) 플로 매칭에 기반한 확률적 다중 측정 분석용 모듈형 프레임워크를 제시한다. 단일 관측 사후분포 추정기를 개별 관측 유형 또는 물리적 프로브별로 따로 학습시키고, 추론 시점에만 합성형 샘플러를 통해 결합한다. 이러한 후기 융합 방식은 사전학습된 단일 관측 모델을 별도의 결합 재학습 없이 재사용할 수 있게 한다. 사례로 박막과 계면에 대한 깊이 분해, 나노미터 규모의 정보를 제공하는 반사율 측정을 다룬다. 단일 관측 시연은 X선, 비행시간 중성자, 편극 중성자 반사율 측정을 포괄한다. 별도의 공동 정련 연구에서, 과제에 맞춘 추정기는 여러 중성자 대조에 걸친 균질한 합성과 X선 및 중성자 측정의 이질적인 다중모달 합성을 가능하게 한다. 이러한 결과는 합성형 플로 매칭이 불확실성을 고려한 역산과 공동 정련을 위한 모듈형 접근임을 보여 주며, 여러 관측이 공통의 물리적 구조를 제약하면서 측정별 매개변수가 유지되는 다른 산란 문제에도 적용될 가능성이 있다.
전구체 첨가제를 효율적으로 발굴하는 것은 페로브스카이트 태양전지의 성능 향상에 필수적이지만, 방대한 화학 공간 때문에 기존의 시행착오식 스크리닝은 비효율적이다. 본 연구에서는 도메인 특화 언어 모델과 능동 학습을 결합한 폐루프 프레임워크인 LEAP(LLM-driven Exploration via Active Learning for Perovskites)가 데이터가 적은 조건에서 페로브스카이트 전구체 첨가제의 우선순위를 정할 수 있음을 보인다. 이 모델은 문헌에서 메커니즘과 관련된 지식을 추출하여 해석 가능한 분자 기술자로 변환하고, 이를 불확실성 인식 베이지안 최적화에 활용한다. 접하지 않은 문헌에서 구성한 평가에서 특화 모델은 시험한 범용 모델보다 메커니즘에 더 부합하는 답변을 제공하였다. 전문가 지도 하의 개념 증명 연구에서, 후반 라운드의 두 첨가제는 소자의 평균 전력 변환 효율을 대조군의 19.25%보다 높은 20.13%와 20.87%로 향상시켰으며, 최고 소자는 21.32%에 도달하였다. 전향적으로 시험한 후보의 수가 제한적이므로, 이 결과는 문헌에 기반한 분자 표현, 베이지안 최적화, 전문가 평가가 페로브스카이트 태양전지의 첨가제 발굴을 뒷받침할 수 있다는 예비적 증거를 제공한다.
습한 공기로부터의 직접 공기 포집(DAC)을 위한 경제적이고 확장 가능한 공정을 설계하려면, 방대한 화학 공간에서 유망한 흡착 소재를 탐색하고 식별하는 원자 수준 모델링이 필요하다. 기계학습은 소재 특성을 효율적이면서도 정확하게 예측하는 강력한 도구로 부상했지만, 이러한 모델에는 세심하게 선별된 대규모 학습 데이터가 필요하다. 본 연구는 약 15,000개의 MOF에서 CO2, H2O, N2, O2 흡착에 대한 약 6천만 건의 DFT 단일점 계산으로 이루어진 Open DAC 2025(ODAC25) 데이터셋을 제시한다. ODAC25는 기능화된 MOF, 고에너지 흡착질 배치, 합성적으로 생성된 골격체를 도입하여 이 데이터셋으로 학습한 모델의 범용성을 극대화한다. ODAC25는 이전 연구보다 DFT 계산의 정확도를 개선하였고, 흡착질에 의한 MOF 유연성 처리에 관한 최근 연구의 공학적 직관을 적용하였다. ODAC25로 학습한 최첨단 기계학습 원자간 퍼텐셜을 공개하고, 헨리 계수 예측을 통해 그 유용성을 보인다. ODAC25는 이전에는 불가능했던 해상도로 DAC용 MOF 선별을 가능하게 한다.
자성 결정의 전자 구조는 스핀 배열과 온사이트 허버드 보정값 U에 함께 의존하므로, 조합마다 별도의 DFT+U 계산이 필요하다. 본 연구는 이 두 값을 직접 입력받아 다양한 화학 조성의 결정에서 스핀별 해밀토니안을 예측하는 등변 신경망 U-HamGNN을 제시한다. 스펙트럼 혼합형 옵티마이저는 그래디언트가 각 갱신 방향을 얼마나 일관되게 가리키는지에 따라 방향별 가중치를 조정한다. 10에포크 벤치마크에서 해밀토니안 오차는 Muon보다 8%, AdamW보다 26% 낮았다. 예측한 에너지 밴드는 학습 범위 안팎에서 U에 따른 밴드갭의 열림과 교대자성 스핀 분열을 재현했다. 해밀토니안에서 구한 교환 결합과 자기 질서 판정은 보정 세트에서 DFT+U의 결과와 일치했다. 이 범용 모델은 자성 연구에 새로운 도구를 제공한다.
머신러닝 원자 간 퍼텐셜(MLIP)은 밀도 범함수 이론(DFT)보다 훨씬 적은 비용으로 비슷한 정확도에 이르고 있다. 그러나 소프트웨어가 분산되어 실용상의 이점이 제한된다. 최신 아키텍처마다 독립된 코드베이스로 배포되고, 데이터 형식, 설정 체계, 학습 루프, 분자 동역학 인터페이스도 서로 다르다. 동일 데이터셋에서 두 아키텍처를 비교하거나 학습한 모델을 실제 운영 시뮬레이션으로 옮기려면 상당한 재구현이 필요하다. 본 연구는 PaiNN, NequIP, MACE, Allegro, EquiformerV2, EquiformerV3, UMA를 다시 구현한 오픈소스 PyTorch 프레임워크 IANN(InterAtomic Neural Network)을 제시한다. 데이터 객체와 학습기, 배포 경로를 통합했으므로 설정 딕셔너리에서 이름 하나만 바꾸면 아키텍처를 전환할 수 있다. 모든 아키텍처에서 원자 그래프의 간선 벡터에 대해 에너지를 한 번 해석적으로 미분해 힘, 응력, 비리얼을 얻는다. 이 미분은 주기적 경계 조건에서도 정확하다. SLURM, PBS, MPI 환경을 감지해 분산 학습을 자동으로 구성하므로 워크스테이션에서 다중 노드 GPU 환경까지 같은 스크립트를 수정 없이 실행할 수 있다. 자체 설명 정보를 담은 체크포인트를 ASE 계산기로 직접 쓰거나, 불확실성을 보고하는 앙상블로 활용할 수 있다. 포함된 C++ 쌍 상호작용 스타일을 통해 LAMMPS 내부에서 단일 또는 다중 GPU 추론을 수행하는 TorchScript 모델로 실행할 수도 있다. 수백만 구조를 담은 공통 데이터셋으로 학습하면 같은 조건에서 아키텍처를 비교할 수 있다. 또한 MPtrj, Alexandria, OMat24, MatPES, OC20, OC22, OC25, MPr2SCAN, MatPESr2SCAN에서 선별한 DFT 구조 4,190만 개로 학습한 PaiNN 기반 모델을 공개한다. 데이터는 PBE, RPBE, r2SCAN 범함수를 포괄한다. IANN은 자율 에이전트와 쉽게 통합할 수 있도록 에이전트 인터페이스도 제공한다.
분자 동역학(MD) 시뮬레이션은 원자 수준에서 나노스케일 파괴의 물리를 포착할 수 있다. 그러나 계산 비용 때문에 여러 응용에 필요한 길이 및 시간 규모에서 예측하기 어렵다. 재료 파괴를 계산하는 대리 모델로 머신러닝 방법이 제안됐지만, 예측한 응답이 물리적으로 일관된다는 보장은 없다. 이 한계를 해결하기 위해 MD의 하중 및 변위 데이터에서 직접 학습하는 데이터 기반 비국소 구성 모델인 메조스케일 신경 연산자(MNO)를 제안한다. 학습 뒤에는 훨씬 큰 영역과 격자에서 연속체 파괴 시뮬레이션에 사용할 수 있다. 핵심은 비국소 모델에 내재한 특성 길이인 상호작용 반경을 활용해 스케일을 오가는 것이다. 스케일 사이의 물리적 일관성을 확보하기 위해 두 구성 요소를 MNO에 넣는다. 정규화된 커널은 상호작용 반경의 크기를 바꿔도 변형 에너지 밀도를 유지한다. 스케일에 맞춰 조정한 임계 결합 신장률은 에너지 방출률을 스케일 전반에서 일관되게 유지한다. 합성 데이터 실험에서 MNO와 학습 워크플로가 비국소 커널과 비선형 구성 관계 형태의 비국소 연속체 다중 스케일 모델을 찾아냄을 보였다. 이를 거친 입자 분해능의 MD 데이터에 적용했다. 시험 문제에서 학습한 모델은 MD 변형 에너지 밀도와 임계 에너지 방출률을 3% 이내로 재현했다. 분포 외 인장 시험에서도 최대 전달력을 6% 이내로 예측했다. 추가 시연에서는 초기 결함을 포함하고 면적이 학습 시편의 4,000배인 판에 적용했다. 모델은 균열이 분기하고 연쇄적으로 갈라지는 구조 등 동적 취성 파괴의 주요 특성을 재현했다.
폐루프 실험에서는 다음 실험을 고르는 일뿐 아니라 기존 측정값과 모델에서 유도한 관계 가운데 어떤 것이 선택에 영향을 줄 만큼 근거가 충분한지도 판단해야 한다. 실험 근거가 쌓일 때마다 이를 다시 평가하는 프레임워크 SPARC(Sparse Predictive Aggregation of Regression Components)를 소개한다. 여러 모델 계열을 폴드 외 예측으로 비교해, 각 모델을 해당 적합에 사용하지 않은 관측값으로 평가한다. 희소 사후 합성은 폴드 외 근거로 뒷받침되는 예측 기여도에 따라 모델별 영향력을 정하고, 여러 모델 계열의 상호 보완적인 기여를 유지한다. 후보별 예측의 산포와 잔차 변동성으로 신뢰도를 정한다. 이 신뢰도는 예측한 반응값과 함께 탐색 방향을 조절한다. 별도의 진단 지표는 앞으로 다시 확인할 기존 측정값의 우선순위를 정하며, 모델에서 얻은 신뢰도도 함께 제시한다. 공개된 소재 데이터셋 8개 가운데 6개에서 SPARC는 해당 문헌에 보고된 값보다 높은 $R^2$를 기록했다. 여러 기존 파이프라인에서 쓰는 밀도 범함수 이론 기반 또는 실험 기반 기술자를 사용하지 않고도 상대 개선 폭이 최대 77%에 달했다. 자동화한 알칼리 조건의 산소 발생 반응 실험에서 SPARC가 선택한 11건 중 8건이 300mV 미만의 과전압을 기록했으며 최저값은 242mV였다. 초기 실험에서는 125건 중 18건이 이 기준을 충족했다. 반복 측정 전에 검증 우선 대상으로 선정한 측정값은 재측정 결과와 평균 76mV 차이가 났다. 조건을 맞춘 대조군의 차이는 27mV였다. 이처럼 SPARC는 실험 근거를 바탕으로 모델별 영향력을 조정하고, 탐색 방향을 정하며, 다시 확인할 측정값을 식별한다.
과학 문헌은 빠르게 증가하고 있으나, 크고 이질적인 문헌 코퍼스를 탐색하는 데 막대한 작업량이 필요하기 때문에 그 지식의 상당 부분은 체계화하고 재사용하기 어렵다. 본 연구에서는 문헌 선별, 구조화된 정보 추출, 지식 종합을 하나의 통합된 워크플로에서 자동화하는, 일반화 가능한 대규모 언어 모델(LLM) 기반 프레임워크를 개발한다. 범위, 코퍼스 규모, 클래스 불균형이 서로 다른 세 가지 재료과학 선별 과제에서 최신 상용 및 오픈 가중치 LLM 11개를 벤치마크하였다. 일곱 개의 LLM이 모든 과제에서 0.90을 넘는 균형 정확도를 달성했고 최고 성능 LLM은 0.96–0.98에 도달하여, LLM이 크고 매우 불균형한 과학 코퍼스를 정확하게 선별할 잠재력을 보였다. 이 프레임워크는 수작업 선별에 약 83 인시(person-hour)가 소요되는 것과 비교해 10,000건의 기록을 4분 이내에 선별함으로써 수작업 부담도 크게 줄인다. 문헌 선별을 넘어, 이 프레임워크는 전문 논문에서 구조화된 정보를 추출하여 출판 메타데이터에 기반한 전통적 계량서지 분석을 확장하는 연구 지형의 내용 수준 정량화를 가능하게 한다. 이러한 능력은 콘크리트 재료과학의 기계학습 사례에서 보듯이 방법론적 추세와 충분히 탐구되지 않은 방향을 드러낸다. 또한 기존 검색 전략으로는 찾기 어려운 규ㅅ산염 유리 밀도 데이터를 포함한 논문을 식별함으로써 정보 및 데이터 발견에서의 유용성을 보이며, 이는 후속 가설 개발, 연구 설계, 데이터 기반 과학적 발견을 뒷받침할 수 있다. 종합하면 이러한 결과는 LLM 기반 문헌 분석이 여러 과학 분야에 폭넓게 적용 가능하며, 크고 구조화되지 않은 문헌 코퍼스를 대규모로 구조화되고 분석 가능한 지식으로 전환할 잠재력이 있음을 보여 준다.
분자의 부분 구조가 화학적·물리적 성질에 불균등하게 기여하며, 특정 모티프나 곁사슬이 지배적인 역할을 하는 경우가 많다는 점은 잘 알려져 있다. 따라서 분자 지문과 분절 기반 어텐션 메커니즘이 보여 주듯, 분절 기반 표현은 화학적으로 의미 있는 귀납 편향을 도입하는 효과적인 전략으로 부상했다. 그러나 기존의 많은 분절화 기반 기계학습 방법은 사전에 정의된 화학 규칙에 의존하여, 이전에 보지 못했거나 화학적으로 낯선 구조에 대해 최적이 아닌 분절화를 만들 수 있고 다중 스케일 분자 표현의 중요성을 간과하는 경우가 많다. 이러한 한계를 해결하기 위해, 본 논문은 k-center 정식화에서 착안한 반경 제약 최적화 문제로 분자 분절화를 정식화하며, 이때 클러스터 수는 사전에 고정되지 않고 지정된 반경으로부터 결정된다. 또한 사전에 정의된 화학적 분절화 규칙에 의존하지 않고 주로 기하 정보를 이용하여 임의의 분자 또는 재료 구조를 분할하는 기하 기반 분절화 방법을 제안한다. 이 방법은 분절 크기를 유연하게 제어하게 하여, 스케일 적응형 모델링을 위한 다중 스케일 분절 표현을 구성할 수 있게 한다. 이 틀을 바탕으로 다중 스케일 구조 정보를 통합하는 기하 분절 기반 어텐션 메커니즘을 개발하고, 이를 p-SMILES 표현과 3차원(3D) 형태 정보를 결합한 멀티모달 기계학습 모델에 통합한다. 벤치마크 고분자 데이터셋에 대한 실험에서, 3D 형태 정보를 포함하면 p-SMILES 표현만 사용하는 모델보다 여러 물성의 예측 정확도가 향상됨을 보인다. 설명 가능한 인공지능 분석은 학습된 표현의 물리적 관련성에 대한 통찰을 추가로 제공한다.
위상장 모델은 급속 합금 응고 중의 미세구조 진화를 해상하지만, 계산 비용 때문에 긴 궤적, 확률적 앙상블, 공정 조건에 걸친 연구가 제한된다. 본 연구는 2차원 Al-Cu 응고에 대해 결정론적 U-Net을 조건부 플로 매칭(Flow), 조건부 확산(EDM), 분산 보존 디노이징 확산 브리지(VP-DDBM)와 비교한다. 각 모델은 현재의 상, 농도, 지정된 온도장이 주어지면 다음 상태를 예측하며 자기회귀적으로 적용된다. 학습 범위 밖의 두 열구배에서, 각 구배의 공통 재시작 지점에서 생성한 다섯 개의 위상장 미래와 \(48{,}000\) 위상장 오일러 단계에 걸친 대리 모델 롤아웃을 비교한다. 전이당 두 번의 네트워크 평가로, Flow는 두 구배 모두에서 평균 상, 평균 Cu 농도, 계면 길이, 선두 팁 위치에 대해 생성형 대리 모델 중 시간 평균 fair continuous ranked probability score가 가장 낮았다. 또한 Flow는 셀 형태 형상을 재현하고 선명한 고체-액체 계면을 유지한다. 보고된 하드웨어에서 단일 미래를 위상장 solver보다 약 \(107\times\) 빠르게 생성하여, 더 빠른 공정 조건 선별과 앙상블 기반 미세구조 연구의 가능성을 보여준다.
밀도범함수이론(DFT)을 이용한 고처리량 계산은 전력 전자 및 양자 기술 응용을 위한 점결함을 탐색하는 데 흔히 사용된다. 현재 이러한 전통적인 시뮬레이션 기법에서 기계학습(ML) 방법으로의 큰 전환이 진행되고 있다. 우리는 양자 응용을 위한 점결함을 식별하기 위해 결함 형성 에너지와 영포논선(ZPL)을 예측하는 물리 기반 ML 모델의 한 부류를 탐구한다. 이 모델들은 가속화된 고처리량 워크플로의 사전 선별 단계에 사용하도록 특별히 설계되었으며, 따라서 ML 원자간 퍼텐셜(MLIP)에 통상 존재하는 비용이 큰 이완 단계를 피하도록 고안되었다. 결함 시스템을 나타내는 세 가지 서로 다른 기술자를 사용하여 4H-SiC의 단일 및 이중 점결함 시스템에 대해 릿지, 커널 릿지, 다층 퍼셉트론(MLP) 모델의 성능을 비교한다. 공공(vacancy)과 치환의 경우 최적화된 모델은 형성 에너지에서 평균 절대 오차(MAE) 0.478 eV, ZPL에서 0.202 eV를 보이며, 이는 의도한 사전 선별을 넘어서도 이러한 예측이 유용할 수 있는 수준을 겨우 넘는 값으로서, 일부 응용에서는 비용이 큰 DFT 계산의 필요를 완전히 대체할 수도 있다. 격자간 원자의 경우 MAE는 형성 에너지에서 1.123 eV, ZPL에서 0.230 eV로 더 크며, 사전 선별에는 여전히 유용하나 더 상세한 특성 분석에는 일반적으로 유용하지 않을 것이다. 따라서 모델 설계와 최적화를 통해 결과가 더 개선될 수 있지만, 본 연구에서 제시한 모델은 점결함의 고처리량 특성 분석에서 사전 선별에 이미 유용하다.
비전-언어 모델(VLM)은 이미지 이면의 3차원 기하를 복원하지 못한 채로 그럴듯한 구조 라벨을 예측하는 경우가 많다. 종단 간(end-to-end) 점수만으로는 오류가 모호한 시점, 손실된 시각 정보, 또는 잘못된 추론 중 무엇에서 비롯되는지 알 수 없다. 다중 시점 3차원 복원 또한 고유한 상충 관계에 직면한다. 엄격한 대칭 사전 지식은 실제 왜곡을 지워 버리고, 제약 없는 삼각측량은 측정 이상치를 흡수한다. 우리는 검토 가능한 3차원 기하 중간 표현을 통해 시각적 지각과 구조적 추론을 분리한다. 그 토대는 모델 비의존적 렌더 상한(model-free render ceiling)이다. 이는 사영 유령(projective phantom)을 배제하여 얻은, 보정되고 원소 종이 표지된 투영이 결정하는 바에 대한 정확한 기준이다. 1,950개 구조에 대한 전수 조사에서, 보정된 네 개 또는 다섯 개 시점의 모든 시험 조합은 완전하고 원소 종이 표지된 중심점으로부터 3차원 위치를 유일하게 결정하였다. 이 기준에 비추어, 이미지를 정확한 텍스트 좌표로 대체하면 평가한 17개 VLM 모두의 결정에 대한 오류율이 낮아진다. 세 가지 프런티어 모델은 10.0~19.5 퍼센트포인트 향상되지만 여전히 사례의 8.1~21.0%를 놓친다. 불완전한 관측으로부터 기하를 복원하기 위해, 우리의 대칭 인식 분할 복원은 대칭 기저, 일관된 3차원 물리적 변위, 시점별 2차원 오염을 함께 추정하며 원자적 왜곡 모드와 집단적 왜곡 모드 중 하나를 적응적으로 선택한다. Huber 삼각측량과 비교하여, 가우시안 잡음에서 좌표 오차를 36.7%, 오염 상황에서 41.2% 줄인다. 적응적 모드 선택은 두 개의 외부 코호트에서 국소적 충실도를 희생하지 않으면서 원자적 분할 대비 집단적 오차를 최대 30.4% 추가로 줄인다. Huber 좌표가 아니라 복원된 좌표를 입력으로 주면 하위 모델이 향상된다. 따라서 기하 복원은 구조 이해를 위한 명시적이고 검증 가능한 토대가 된다.