PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.02014v1cs.AI

원자에서 공정까지: 화학공학에서 인공지능과 머신러닝의 역할

Atoms to Processes: The Role of Artificial Intelligence and Machine Learning in Chemical Engineering

인공지능(AI)과 머신러닝(ML)의 급격한 성숙은 화학공학 문제를 정식화하고 분석하며 해결하는 방식에 중대한 변화를 촉진했습니다. 컴퓨팅 파워, 데이터 가용성, 학습 알고리즘의 발전 덕분에 AI/ML 방법론은 원자 수준의 시뮬레이션, 소재 및 촉매 발견, 전달 현상과 열역학, 분리 공정, 공정 시스템 공학, 산업 운영에 이르는 다양한 응용 분야에 영향을 미칠 수 있게 되었습니다. 본 논문은 최근의 방법론적 발전과 대표적인 응용 사례에 대한 관점을 제시하며, 예측 정확도, 데이터 희소성, 외삽(extrapolation), 해석 가능성, 모델 수명 주기 관리와 같은 문제를 해결하기 위해 AI/ML 도구가 제1원리(first-principles) 모델과 어떻게 통합되고 있는지를 강조합니다. 여러 영역에 걸쳐 나타나는 공통적인 추세는 순수한 블랙박스 접근법에서 벗어나 보존 법칙, 열역학적 일관성, 기지의 구조적 제약 조건을 명시적으로 준수하는 하이브리드 및 물리 기반(physics-informed) 프레임워크로 전환되고 있다는 점입니다. 이러한 접근 방식은 견고성과 신뢰성을 향상시킬 뿐만 아니라, 주어진 과제와 의사결정 맥락에 적합한 추상화 수준의 정보를 제공함으로써 유의미한 인간-AI 협업을 가능하게 합니다. 우리는 AI와 ML이 화학공학의 핵심 원리를 대체하는 것이 아니라 오히려 이를 증폭시키고 있다고 결론짓습니다. 화학공학 분야가 점점 더 자율적이고 적응형이며 지속 가능한 시스템으로 발전함에 따라, 제1원리 기반의 이해 및 도메인 전문성과 AI/ML의 사려 깊은 통합은 연구와 산업 현장 전반에서 그 잠재력을 온전히 실현하는 데 필수적일 것입니다.

arXiv:2607.11712v1cs.LG

CatRetriever: 생성적 촉매 발견에서 슬래브-벌크 검색을 위한 대조 표현 학습

CatRetriever: Contrastive Representation Learning for Slab-to-Bulk Retrieval in Generative Catalyst Discovery

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.

arXiv:2606.05050v1cond-mat.mtrl-sci

자기 진화형 다중 에이전트 디지털 트윈을 이용한 자율 불균일 촉매 발견

Autonomous heterogeneous catalyst discovery with a self-evolving multi-agent digital twin

이론적 불균일 촉매 연구는 빠른 촉매 발견을 가능하게 할 것으로 기대되지만, 충실도 높은 조건 인식 촉매 시뮬레이터의 부재로 인해 계산 및 머신러닝 예측이 실험과 자주 불일치하고 좁은 소재 계열에 국한되는 문제가 있다. 우리는 기체-고체 및 액체-고체 모델링을 통합하여 실제 작동 촉매의 자율적 디지털 트윈을 구축하는 자기 진화형 다중 에이전트 시스템인 CatDT(Catalysis Digital Twin)를 제안한다. 벌크 결정 구조와 자연어 반응 설명만으로, 8개의 전문화된 에이전트와 27개의 과학 도구가 단일 GPU에서 5-30분 내에 안정적인 패싯(facet) 예측, 실제 표면 재구성, 반응 경로 열거 및 순위 결정, 전이 상태(transition state) 탐색, 그리고 반응 동역학 계산을 수행한다. 가장 어려운 두 단계를 해결하기 위한 두 가지 혁신이 도입되었다: UniMech은 에이전트 기반 제안과 에너지 캐시 그래프 탐색을 융합하여 전수 열거 대비 $10^3\times$ 이상 낮은 비용으로 신규 소재의 지배적 반응 경로를 탐색하고, 메모리 증강 강화 루프(memory-augmented reinforcement loop)는 600개의 촉매 표면에 걸쳐 에너지 장벽 계산 성공률을 41%에서 84%로 향상시킨다. 계단형 금속, 단일 원자 촉매(SAC), 규칙적 금속간 화합물, 공공(vacancy)이 풍부한 2D 황화물 및 탄화물, 강한 금속-지지체 상호작용(SMSI) 계면을 포함한 7개의 기체-고체 벤치마크 전반에 걸쳐, 모든 CatDT 예측값은 네 자릿수의 크기 범위에서 실험값의 0.5-2배 이내에 위치한다. 프로판 탈수소화 반응에 대해, CatDT는 Pt 기반 산업 벤치마크에 필적하는 비귀금속 후보를 독립적으로 발견하였으며, 제안된 Ni@ZrO$_2$ SMSI 오버레이어는 약 100% 선택도에서 $1.63~\text{s}^{-1}$의 시뮬레이션 TOF(전환 빈도)에 도달하였다. 더 넓은 관점에서, 충실도 높은 촉매 디지털 트윈 — 또는 모든 다단계 과학 시뮬레이터 — 의 결정적 요소는 대규모 언어 모델(LLM) 자체의 원시 능력이 아니라, 그 주변에 설계된 하네스(harness), 즉 결정론적 도구, 영속적 메모리, 그리고 모델·도구·실행 전반에 걸쳐 복리적으로 누적되는 검증된 자기 개선에 있다.