전자 구조에 대한 방대하고 다차원적인 데이터셋을 일상적으로 생성하는 각분해 광전자 분광법(ARPES)을 포함하여, 인공지능(AI)은 실험 과학 전반에서 점점 더 유용한 도구가 되고 있습니다. AI 및 머신러닝(ML)의 최근 발전은 자동화된 시료 준비 및 실시간 데이터 수집부터 실험 후 데이터 분석 및 이론적 계산과의 비교에 이르기까지 전체 ARPES 워크플로 전반에 걸쳐 새로운 기회를 열어주었습니다. 이러한 진전에도 불구하고, ARPES 워크플로의 다양한 단계 전반에 걸친 ML 응용, 그 역량 및 신뢰성에 대한 포괄적인 검토는 여전히 부족한 상황입니다. 본 리뷰에서는 먼저 응집물질물리학 및 재료과학 분야의 실험 연구자들에게 가장 관련성이 높은 ML 방법론을 소개합니다. 이어 ARPES 워크플로를 따라 각 단계에서의 기존 ML 응용을 검토하고 이들의 장점, 한계 및 향후 발전 가능성을 논의합니다. 또한 여러 공개 데이터베이스가 제공되지만 ImageNet과 같은 대규모 공유 데이터셋에 비해 상대적으로 규모가 작고 파편화되어 있는 현재의 ARPES 데이터 현황을 살펴봅니다. 이러한 한계를 고려하여, 우리는 더 크고 표준화된 오픈 ARPES 데이터셋 저장소를 구축해 나가는 동시에, 추가 학습 및 특정 작업으로의 적응, 재배포가 가능한 사전학습(pre-trained) 모델을 공유하는 데 커뮤니티가 집중할 것을 제안합니다. 마지막으로, 실험실 자동화의 6단계 프레임워크를 활용하여 ARPES 워크플로 내 AI의 미래에 대한 관점을 논의하고, 완전 자율형 '셀프 드라이빙' ARPES 실험실로 나아가는 과정에서의 기회와 과제를 조명합니다.
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.
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.
동반 연구에서는 4비트 모델이 디바이스 메모리에 들어가지 못해(arXiv:2606.24031), 2011 NVIDIA Tesla C2075(Fermi, sm_20, 6GB)에서 35B 전문가 혼합(MoE) 모델을 GPU prefill/CPU decode 하이브리드로 실행했다. 본 보고서는 동일한 하드웨어를 유지한 채 메모리에 들어가는 모델이 무엇을 할 수 있는지 묻는다: SigLIP2 비전 인코더와 윈도우 어텐션(window-attention) merger(16배 비주얼 토큰 압축)를 compact hybrid gated-delta-net 백본과 짝지은 현대적 다중모달 어시스턴트 MiniCPM-V-4.6을 전부 GPU에서 배포한다. 세 가지 결과. (i) 측정 기반으로 구축한 전 GPU 엔진: 8비트 가중치를 한 번 역양자화하고 최종 Fermi 툴체인의 vendor SGEMM을 호출하는 projection(FP32 피크의 64%; 우리의 최고 수작업 GEMM은 37%로, 잘못 천장이라 불림); 순차 scan보다 2.8배 빠른 recurrent layer의 chunked delta-rule 재작성(속성 분석이 하나의 불량 커널을 드러낸 뒤); 측정된 부정 결과: Fermi가 니블 언팩 shifting을 절반 속도로만 이슈하기 때문에, 여기서는 4비트 가중치가 8비트보다 decode를 느리게 만든다. (ii) 비전 측면은 증명 의무가 있는 포팅이다: tower, merger, projector를 sm_20 CUDA로 이식하고, 로컬 생성 reference forward와 각 단계를 검증한다(전체 tower 1.4e-5). position-embedding bucketization이 정확한 유리수 동률에서 달라진 한 실패는 일반 규칙으로 확장된다: 인덱스 산술에서 float tie-breaking은 구현 정의(implementation-defined)이다; reference 연산자를 호출하고 재구현하지 말 것. (iii) 긴 컨텍스트는 짧은 벤치마크가 숨기는 O(N^2) 벽을 드러낸다: naive 어텐션 커널에서 prefill은 2k 토큰에서 114 tok/s에서 10k에서 21로 떨어진다; 기존 score buffer에 쓰는 per-head vendor-GEMM 호출(추가 메모리 0)은 평탄한 프로파일을 복원한다(2k에서 408, 10k에서 361; 17배), 60% 깊이에서의 정확한 needle retrieval로 검증된다. 동일한 재작성은 이미지 인코딩을 6배 줄여 0.93초로 만든다. 시스템은 이미지 질문에 end-to-end로 1.7초 만에 답한다.