PyTorchKR Papers

최신 논문

총 5편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.10653v1cs.LG

PXtal: 모달리티 간 정보 비대칭 환경에서 분말 X선 회절과 결정 구조의 정렬 학습

PXtal: Learning to Align Powder X-Ray Diffraction and Crystal Structures under Information Asymmetry across Modalities

과학 분야의 멀티모달 학습(multimodal learning)은 일반적으로 쌍을 이루는 뷰들이 비슷한 수준의 정보를 담고 있다고 가정합니다. 분말 X선 회절(PXRD)은 이러한 불일치를 명확히 드러냅니다. 즉, 3차원 결정 구조를 1차원 회절 패턴으로 압축하면서 정보가 손실되어, 해당 패턴을 생성한 결정 구조와 연결하기가 더 어려워집니다. 본 연구에서는 이러한 물리적으로 부과된 정보 비대칭 환경에서 정렬된 PXRD 및 결정 표현을 학습하기 위한 프레임워크인 PXtal을 소개합니다. PXtal은 불균형 최적 수송(UOT)을 사용하여 모달리티 간 결합(coupling)을 조정하고, 결합 수준의 일반화된 쿨백-라이블러(GKL) 발산을 활용하여 전체 수송 계획을 지도합니다. 4개의 제로샷(zero-shot) 전이 세트를 포함한 6개의 테스트 세트 전반에서, PXtal은 PXRD-결정 후보 검색 작업 시 기준선(baseline) 모델들의 성능을 일관되게 능가하며, 특히 PXRD 패턴이 결정학적으로는 구별되지만 서로 매우 유사한 비쌍(nonpaired) 이웃을 가질 때, 즉 서로 다른 결정과 연관된 유사한 입력 패턴이 존재할 때 가장 큰 성능 향상을 보였습니다. 그 결과 도출된 결정 및 PXRD 인코더는 다운스트림 재료 및 결정학 작업으로 더욱 효과적으로 전이됩니다. 이러한 결과는 정보 비대칭이 과학 분야 멀티모달 학습에서의 일반적인 설계 문제임을 확인해 주며, 정렬 목표는 각 모달리티가 보존하는 정보를 반영해야 함을 시사합니다.

arXiv:2607.08470v1cs.LG

MatBind: 다중 모달 재료 특성화를 위한 공유 임베딩 공간

MatBind: A Shared Embedding Space for Multimodal Materials Characterization

결정질 재료를 완전히 특성화하려면 이종 데이터 소스, 즉 원자 구조, 회절 패턴, 전자 상태 밀도, 자연어를 통합해야 하며, 이 각각은 동일한 물리적 객체의 서로 다른 측면을 포착한다. 그러나 실제로는 이러한 모달리티들이 각각 독립적으로 저장·분석되어, 표현 경계를 넘어 재료를 연관짓거나 질의하기가 어렵다. 우리는 네 가지 재료 모달리티, 즉 결정 구조, 구조로부터 시뮬레이션된 분말 X선 회절(pXRD), 상태 밀도(DOS), 텍스트를 결정 구조를 중심 물리적 앵커로 삼아 통합된 임베딩 공간으로 정렬하는 대조 학습(contrastive learning) 프레임워크인 MatBind를 제시한다. 이 프레임워크는 학습 중 명시적으로 쌍을 이루지 않은 모달리티 간의 정렬을 유도하여, 공유 표현의 직접적 결과로 창발적 제로샷 교차 모달 검색을 가능하게 한다. 학습된 임베딩 공간은 명시적 감독 없이 물리적으로 의미 있는 속성에 따라 재료를 조직화하며, 질의 시 모달리티를 결합하면 검색 성능이 체계적으로 향상된다. 이러한 결과는 이종 재료 데이터를 고립된 데이터 소스가 아닌 단일 물리적 실재의 상보적 투영으로 다루는 것이 단순한 실용적 선택이 아니라 기저 물리학과 일치하는 접근임을 보여준다.

arXiv:2510.16165v2cs.LG

AtomBench: 기존 초전도체에서 생성적 결정 재구성 모델을 위한 벤치마킹 프레임워크

AtomBench: A Benchmarking Framework for Generative Crystal Reconstruction Models in Conventional Superconductors

AtomBench는 생성 모델이 결정 재구성 시 접근하는 결정학적 정보의 양과 유형에 따른 성능 차이를 공정하게 비교하기 위한 모델 불가지론적 벤치마킹 프레임워크로, 기존 초전도체 데이터셋에 AtomGPT, CDVAE, FlowMM, MatterGen을 적용해 평가한다. 불연속적인 구조 매칭 기반 지표의 한계를 보완하는 연속 보정 RMSD(ccRMSD)를 새롭게 도입했으며, MatterGen이 원자 좌표 재구성에서 가장 우수한 성능을 보였고 임계 온도 T_c 조건부 학습은 재구성 충실도를 일관되게 향상시키지 않음을 확인했다.

arXiv:2606.21395v1cs.LG

원자론적 언어 모델은 물질을 이해하고 생성한다

Atomistic Language Models Understand and Generate Materials

원자론적 구조와 자연어는 오랫동안 별도로 모델링되었으며, 언어 모델은 원자론적 모델을 도구로 호출하거나, 원자론적 정보를 버리는 손실이 있는 텍스트 인코딩으로 파인튜닝되었다. 우리는 네이티브 멀티모달성을 목표하는 원자론적 언어 모델(ALM)을 제안한다. 단일 언어 백본이 원자론적 구조를 이해하고, 자연어로부터 물질을 생성하며, 텍스트 지시에 따라 결정 구조를 최적화한다. 사전학습된 원자론적 인코더, 대규모 언어 모델, 디노이징 확산 모델을 순수 연속 프로젝터와 단계적 학습으로 통합하여, ALM은 결정 구조 예측 및 de novo 생성에서 최고 수준의 결과를 달성한다. ALM은 언어 모델 임베딩을 원자론적 확산의 조향 공간으로 직접 매핑하는 연속 브리지로 구현되며, Text-to-Crystal Feynman-Kac(T2C-FK)이라는 입자 기반 샘플러가 부분 디노이징 궤적을 점수화하여 추론 시 화학량론 목표를 강제하는 것을 보조한다. ALM이 자연어 프롬프트와 3D 원자 좌표 입력으로부터 물질을 최적화하고 생성하는 능력을 평가하기 위해, 텍스트 조건부 결정 생성 및 최적화를 위한 첫 벤치마크인 ALM Bench를 도입한다. 코드, 학습 데이터, 모델 가중치는 곧 공개될 예정이다.

arXiv:2606.22425v1cs.AI

SVGym (SciVerseGym): 결정 탐색에서 강화학습 및 베이지안 최적화를 위한 환경

SVGym (SciVerseGym): An Environment for Reinforcement Learning and Bayesian Optimization in Crystal Discovery

기계학습 원자간 포텐셜은 이제 상호작용적 재료 탐색을 위한 효율적인 원자 수준 평가를 가능하게 하지만, 폐루프(closed-loop) 결정 탐색 방법은 편집, 이완(relaxation), 점수화, 제약, 기록 관리를 위한 맞춤형 파이프라인에 걸쳐 여전히 파편화되어 있다. 우리는 결정 설계를 마르코프 결정 과정으로 규정하는 순차적 결정 탐색을 위한 Gymnasium 호환 환경인 SciVerseGym을 소개한다. 에이전트는 원자 수준 구조를 관측하고, 화학적으로 의미 있는 편집을 적용하며, 구성 가능한 평가기로부터 피드백을 받는다. SciVerseGym은 원소 치환, 격자 섭동, 원자 변위, 공석 생성, 원자 삽입을 포함한 국소 및 전역 행동과 함께, 구성 가능한 화학 공간, 구조 풀, 원자 수준 및 그래프 기반 관측, 사용자 정의 보상, 선택적 이완, 안정성 또는 포논(phonon) 관련 진단을 지원한다. 각 단계는 편집을 적용하고, 기계학습 원자간 포텐셜 또는 ASE 호환 계산기를 사용하여 후보를 평가하며, 표준 (obs, reward, terminated, truncated, info) 튜플을 반환한다. 에이전트 로직을 재료 인프라와 분리함으로써 SciVerseGym은 폐루프 결정 탐색에서 강화학습, 베이지안 최적화, 진화 탐색, 언어 에이전트 워크플로를 위한 개방적이고 재현 가능하며 확장 가능한 테스트베드를 제공한다. 코드는 https://github.com/Bin-Cao/SciVerseGym 에서 이용할 수 있다.