PyTorchKR Papers

최신 논문

총 19편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.01119v1cs.AI

AbsorbEvo: 마이크로파 흡수체의 자율 역설계를 위한 에이전트 프레임워크

AbsorbEvo: An Agentic Framework for Autonomous Inverse Design of Microwave Absorbers

고성능 마이크로파 흡수체 설계는 전자기 이론, 재료 과학 및 시뮬레이션 프로그래밍에 대한 전문적인 지식을 요구하며, 많은 시간이 소요되는 최적화(optimization) 과정을 수반합니다. 본 논문에서는 자연어 성능 목표를 전파(full-wave) 시뮬레이션으로 검증된 설계로 변환하는 자율 역설계 에이전트(agent) 프레임워크인 AbsorbEvo를 제시합니다. 본 프레임워크의 후보 진화 전략은 언어적 추론, 물리 기반 예측 및 과거 피드백을 통합합니다. 대규모 언어 모델(LLM)은 작업 목표와 계산 기록을 바탕으로 매개변수 조정의 방향과 크기를 제안합니다. 시스템은 방향성이 있는 증분과 전역 샘플링을 결합하여 후보를 생성하고, 저비용 예측 모델을 물리적 사전 지식(prior)으로 사용하여 순위를 매깁니다. 높은 순위를 기록한 설계만이 전파 시뮬레이션을 거칩니다. 물리적 타당성 검사를 통과한 결과는 성능을 평가하고 후속 탐색을 안내하는 데 사용됩니다. 학습 작업에서 얻은 경험은 텍스트 형태의 스킬로 추가 증류(distillation)되며, 이는 새로운 작업에 사용되기 전에 독립적으로 검증됩니다. 공개되지 않은 AbsorbBench-36 작업에서 동일한 제안 예산 조건하에 AbsorbEvo는 79.17%의 작업 성공률을 달성하여, 일반적인 에이전트의 25.00% 및 무작위 탐색(random search)의 12.50%와 대비되는 성과를 보였습니다. 평균 최고 커버리지는 각각 0.6434와 0.6448이었던 데 반해 0.7816을 기록했습니다. AbsorbEvo는 언어 추론과 물리 기반 피드백을 설계 결정에 통합함으로써, 자연어 기반 마이크로파 흡수체 자율 역설계를 위한 방법론적 기반을 제공합니다.

arXiv:2609.36806v2cs.AI

CANTO: AI 지원 엔지니어링을 위한 CAD 네이티브 트랜스포머 연산자

CANTO: CAD-Native Transformer Operators for AI-Aided Engineering

자동차에서 항공기에 이르기까지 현대의 엔지니어링 시스템은 정밀하고 연속적인 파라메트릭 컴퓨터 지원 설계(CAD) 모델을 사용하여 설계됩니다. 수치 시뮬레이션을 통해 설계 변경 사항을 평가하려면 연속적인 형상을 격자화(meshing)해야 하는데, 이는 수작업 개입이 필요할 수 있고 계산 비용이 많이 들며 불안정한 경우가 많은 과정일 뿐만 아니라 연속적인 표현을 이산적인 근사치로 대체하게 됩니다. 대부분의 신경 대리 모델(neural surrogate)은 시뮬레이션을 가속하지만, 격자(mesh), 포인트 클라우드(point cloud), 복셀(voxel) 또는 기타 샘플링된 형상 근사치에 의존함으로써 이러한 표현 격차를 그대로 물려받습니다. 본 논문에서는 입력 형상을 격자화하지 않고 연속적인 CAD 형상에서 물리장(physical field)으로 직접 매핑하는 트랜스포머(transformer) 신경 연산자인 CANTO를 소개합니다. 저자들은 파라메트릭 패치(parametric patch)의 시퀀스를 통해 형상을 표현함으로써 기하학적 다양체(manifold)로부터 물리장의 함수 공간으로의 연산자를 학습하기 위한 이론적 프레임워크를 개발합니다. CANTO는 제어점, 매듭 벡터(knot vector), 가중치로부터 비균일 유리 B-스플라인(NURBS) 패치를 직접 토큰화하고, 임의의 쿼리 위치에서 연속적인 표면 및 체적 필드를 예측함으로써 이 프레임워크를 구현합니다. 저자들은 4개의 자동차 및 항공기 공기역학 산업 벤치마크인 AhmedML, WindsorML, DrivAerML, HiLiftAeroML에서 CANTO를 평가합니다. CANTO는 HiLiftAeroML에서 AB-UPT 대비 표면 압력 상대 $L_2$ 오차를 19.8% 감소시키는 등 평가된 대부분의 표면 및 체적 예측 태스크에서 최고 수준(state-of-the-art)의 정확도를 달성합니다. 나아가 CAD 파라미터에 대한 미분 가능성은 그래디언트(gradient) 기반의 역설계를 가능하게 합니다. AhmedML에서 CANTO는 동일한 부피 및 양력 제약 조건을 만족하는 데이터셋(dataset) 내 최적의 설계 대비 항력이 4.4~20.4% 낮은 설계를 식별하며, 이러한 개선 사항은 원래 데이터셋을 생성하는 데 사용된 것과 동일한 CFD 설정을 사용하여 검증되었습니다.

arXiv:2609.27621v1cs.AI

SHRAV: 물리 모델링 및 역설계를 위한 상태-가설-추론-행동-검증 프레임워크

SHRAV: State-Hypothesis-Reason-Action-Verify Framework for Physical Modeling and Inverse Design

물리 모델링(physical modeling)과 역설계(inverse design)는 재사용 가능한 상태(state)로부터 이어갈 수 있는 계산을 필요로 합니다. 우리는 상태(State), 가설(Hypothesis), 추론(Reason), 행동(Action), 검증(Verify)을 중심으로 구성된 아키텍처 독립적 계산 프레임워크인 SHRAV를 소개합니다. 이 프레임워크의 핵심 메커니즘은 선언된 재사용 경계와 학습된 진화 및 수치적 양에 대한 명시적 역할을 갖춘 상태 지속(state-continuation) 코어입니다. 순방향 구성은 예측 상태를 진화시키고 물리적 반응을 판독하며, 역설계 구성은 추가로 목표 지향적 수정을 생성하고 평가기 피드백을 활용합니다. 전자기 월드 모델 연구는 순방향 구성에 매핑되며, 선별된 판독 및 재사용 진단 결과가 여기에 보고됩니다. 전산 리소그래피는 역설계 구성을 실증합니다. 즉, 독립적인 스칼라-동공(scalar-pupil) 재생 하에서 4회의 고정 가중치(fixed-weight) 설계 업데이트를 통해 임계값 적용 공중상 IoU(intersection-over-union)를 0.5313에서 0.8153으로 향상시키며, 예측기 추정치와 독립적 재생 간의 최대 절대 예측-재생 차이는 약 0.000824를 나타냅니다.

arXiv:2509.15908v4cond-mat.mtrl-sci

대칭 인식 네트워크를 활용한 해석 가능한 나노다공성 재료 설계

Interpretable Nanoporous Materials Design with Symmetry-Aware Networks

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.

arXiv:2607.11910v1cs.NE

SeqGPT: 다중 패널 복합 구조 역설계를 위한 제약 트랜스포머 에이전트

SeqGPT: A Constrained Transformer Agent for the Inverse Designof Multi-Panel Composite Structures

복합재 적층 순서를 연속 목표(예: 적층(Lamination) 또는 좌굴(Buckling) 파라미터)에 맞추면서 이산 제조 제약을 만족시키도록 최적화하는 문제는, 특히 수치 최적화 접근법(이중 단계(bi-step), 이중 수준(bi-level) 구성)이 사용될 때 복합재 설계에서 흔히 발생하는 어려운 조합 역문제이다. 다패널 구성에서는 서로 다른 패널 적층 간의 전역 호환성/연속성 요구사항인 블렌딩(blending)으로 인해 이러한 복잡성이 더욱 심화된다. 본 연구는 계산 비용이 큰 반복 방법을 대체하기 위해 개발된 조건부 트랜스포머 에이전트인 SeqGPT를 제안한다. 전역 연속성과 제조 가능성을 설계상 모두 보장하기 위해 하이브리드 신경-기호 디코딩 전략을 구현하였다. SeqGPT는 조건부 분포를 예측하여 제약 빔 서치(Constrained Beam Search)를 안내하며, 블렌딩 규칙을 위반하는 모든 가지는 엄격하게 가지치기된다. 18패널 말굽(horseshoe) 벤치마크에 대한 수치 실험은 SeqGPT가 거의 즉시 해를 생성하며 진화 알고리즘 방법과 유사한 좌굴 성능을 달성함을 보여주며, 최신 방법(state of the art) 대비 상당한 속도 향상을 제공한다.

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:2607.10896v1cs.AI

지오폴리머 혼합 설계의 서로게이트 기반 역설계를 위한 증분 트랜스포머

Incremental Transformer for Surrogate-Based Inverse Design of Geopolymer Mixtures

관측값이 이질적이고 혼합형이며 설계 변수 간 물리적 관계에 의해 제약될 때, 엔지니어링 인포매틱스에서의 소규모 데이터 역설계는 어려운 과제이다. 본 연구는 물리 제약 역설계를 위한 증분 트랜스포머(INCRT) 기반의 토폴로지 인식 서로게이트 프레임워크를 제안하며, 이를 지오폴리머 혼합 설계에 적용한다. 이 방법은 내재적 차원성 분석, 혼합 변수 설계 공간 표현, 테이블형 서로게이트 예측, INCRT 기반 매니폴드 합리화, 및 제약 역최적화를 통합한다. 압축 강도와 탄소 배출량을 목표로 하는 플라이애시 및 슬래그 기반 지오폴리머 콘크리트 혼합물의 공개 벤치마크를 사용하여, 고차원 설계 공간이 강한 중복성을 지니며 더 적은 수의 유효 혼합 체제를 중심으로 구성됨을 보인다. 압축 강도는 비선형 테이블형 서로게이트를 필요로 하는 반면, 탄소 배출량은 주로 조성에 의해 결정되며 정규화된 선형 모델로 잘 복원된다. 따라서 INCRT는 테이블형 예측기를 대체하는 것이 아니라, 역설계를 위한 프로토타입 체제와 매니폴드 지지 점수를 제공하는 합리화 층(layer)으로서 작동한다. 세 가지 전략이 비교된다: 비제약 서로게이트 최적화, 물리 제약 최적화, 및 토폴로지 인식 물리 제약 최적화. 비제약 최적화는 목표 강도를 달성할 수 있지만 물리적으로 유효하지 않거나 매니폴드를 벗어난 후보를 생성할 수 있으며, 물리 제약만으로는 데이터 지지를 항상 보장하지 않는다. 토폴로지 인식 전략은 목표 준수, 탄소 감소, 물리적 허용성, 및 학습된 실현 가능 매니폴드와의 근접성을 균형 있게 만족하는 후보를 도출한다. 이 프레임워크는 실험적 검증(validation)을 대체하는 것이 아니라, 소규모의 혼합형 물리 제약 엔지니어링 데이터셋에서 신뢰할 수 있는 후보 혼합물의 스크리닝을 지원하는 것을 목표로 한다.

arXiv:2607.10559v1cs.AI

대규모 언어 모델 에이전트를 활용한 기체 분리용 금속-유기 골격체 역설계 가속화

Large language model agents accelerate inverse design of metal-organic frameworks for gas separation

금속-유기 골격체(MOF)는 흡착 기반 기체 분리를 위한 고도로 모듈화된 플랫폼을 제공하지만, 방대한 망상형 설계 공간으로 인해 화학적 유효성, 분리 성능, 구조적 다양성을 동시에 충족시키는 역설계가 어렵다. 본 연구에서는 MOFid 공간에서 기체 분리용 MOF의 폐루프 역설계를 위한 대규모 언어 모델 에이전트 프레임워크인 LEMO Agent를 제안한다. LEMO Agent는 언어 기반 후보 생성, MOFid 표준화, 명시적 유효성 검사, 트랜스포머 기반 특성 예측, 구조화된 설계 메모리, 다중 섬 탐험을 결합한다. 반복적인 생성-검증-평가-기억 주기를 통해, 에이전트는 성공한 후보와 실패한 후보 모두로부터의 피드백을 활용하여 링커, 금속, 위상 선택에 걸친 화학적 제약 탐색을 유도한다. LEMO Agent를 CH$_4$/N$_2$ 및 CO$_2$/N$_2$ 분리 과제에서 평가하였다. 대표적인 생성형, 최적화, 에이전트 기반 기준 모델과 비교하여, LEMO Agent는 고성능 후보를 더욱 풍부하게 하고, 예측된 분리 성능을 향상시키며, 폭넓은 화학적·위상적 다양성을 유지한다. 선별된 후보들은 추가로 재구성되어 GCMC 시뮬레이션으로 평가되고, 화학적 실현 가능성과 리간드 구매 가능성에 기반한 실험적 후보 축소 워크플로를 거쳐 초기 실험실 합성 및 SEM 특성 분석으로 이어진다. 이러한 결과는 대규모 언어 모델 에이전트가 기존의 고정 라이브러리 스크리닝을 넘어 MOF 발견을 가속화하기 위한 해석 가능하고 확장 가능한 설계 엔진으로 기능할 수 있음을 입증한다.

arXiv:2607.09752v1eess.SP

V-빔 열 센서의 데이터 기반 순방향 및 역방향 모델링

Data-Driven Forward and Inverse Modeling of V-Beam Thermal Sensors

이 논문은 V-빔 열 센서의 데이터 기반 역설계를 위한 머신러닝 프레임워크를 제시한다. 목표는 주어진 온도에서 목표 변위를 달성하는 최적의 센서 형상, 즉 빔 경사각, 빔 길이, 빔 폭을 결정하는 것이다. 설계는 또한 최소 구조 부피와 센서가 지탱해야 하는 최소 기계적 응력을 갖는 형상을 제공해야 한다. 이 문제는 주어진 변위에 대해 가능한 형상 구성이 여러 가지 존재하기 때문에 비적정(ill-posed) 문제이며, 이로 인해 직접 회귀 방법은 실패한다. 우리는 문제의 본질을 점진적으로 파악한 다섯 가지 탐색적 시도를 기록하며, 이는 두 단계 해결책으로 귀결된다: 형상과 재료 상수를 센서 응답으로 매핑하도록 학습된 신경망 순방향 모델, 그리고 고정된 순방향 모델에 대해 응력과 부피를 동시에 최소화하는 그래디언트 하강 역최적화. 제안된 파이프라인은 3,000개 샘플 데이터셋을 활용하며, 변위 예측에서 4.76%의 MAPE를 달성하고 예측의 70% 이상이 5% 미만의 MAPE를 기록한다.

arXiv:2604.01480v2cs.AI

메타표면 역설계를 위한 자기 진화 에이전트 프레임워크

A Self-Evolving Agentic Framework for Metasurface Inverse Design

메타표면 역설계는 복잡한 광학적 기능을 구현할 수 있지만, 목표 광학 응답을 실행 가능한 최적화 코드로 변환하려면 계산 전자기학과 솔버 특화 소프트웨어 엔지니어링에 대한 상당한 전문 지식이 필요하다. 우리는 코딩 에이전트, 명시적 인간 가독형 스킬 파일, 결정론적 물리 기반 평가기를 결합하여 이러한 진입 장벽을 낮추는 자기 진화 에이전트 프레임워크를 제안한다. 모델 가중치를 업데이트하는 대신, 솔버 기반 피드백으로부터 스킬 파일을 수정하며, 기반 모델과 물리 시뮬레이션 및 그래디언트를 제공하는 미분 가능 솔버는 고정된 상태로 유지된다. 다중 유형 벤치마크에서 스킬 진화는 동일 유형 태스크 성공률을 38%에서 74%로 향상시키고, 물리적 기준 충족 비율을 0.51에서 0.87로 높이며, 평균 시도 횟수를 4.10에서 2.30으로 감소시킨다. 두 가지 새로운 유형 계열에서, 하나는 성공률이 최고치 근처(0.92에서 0.90)를 유지하고 다른 하나는 0.20에서 0.90으로 상승한다. 스킬 진화는 자율적이고 접근 가능한 역설계 워크플로를 향한 실용적인 경로를 제시한다.

arXiv:2607.08392v1physics.optics

다층 광학 코팅의 개방형 어휘 역설계를 위한 결합 이산-연속 플로우 매칭

Joint Discrete-Continuous Flow Matching for Open-Vocabulary Inverse Design of Multilayer Optical Coatings

IrisFlow는 다층 광학 코팅의 역설계를 위한 쿼리 기반 개방형 어휘 플로우 매칭(flow matching) 프레임워크로, 재료 시퀀스는 이산 플로우 매칭으로, 층 두께는 연속 플로우 매칭으로 공동 생성하여 학습 시 고정된 재료 어휘나 파장 격자 없이 추론 가능하다. 1억 3,600만 파라미터 단일 모델로 2~100층 스택을 설계하며, 224개 벤치마크 태스크에서 재학습 없이 미보유 재료 뱅크에 대한 일반화를 달성하고 실제 이온 보조 증발 공정으로 제작된 색상 표시 냉각기에서 CIEDE2000 색상 오차 3.1~5.2, 태양 근적외선 반사율 93~95%를 구현했다.

arXiv:2607.02289v1quant-ph

보소닉 양자 계산을 위한 SRF 공동 및 트랜스몬의 신경망 역설계

Neural-Network Inverse Design of SRF Cavities and Transmons for Bosonic Quantum Computation

3차원 초전도 라디오 주파수(SRF) 공동은 극도로 수명이 긴 전자기 모드를 제공하며, 트랜스몬 큐비트와 같은 비선형 소자와 결합될 경우 보소닉 양자 정보 처리를 위한 유망한 아키텍처가 된다. 이러한 시스템의 역설계, 즉 특정 전자기 및 결합 목표값을 생성하는 소자 기하학적 구조를 복원하는 것은 일반적으로 일 대 다 문제이다. 큐비트-공동 결합 강도는 트랜스몬의 기하학적 구조와 공동의 전자기장 내 위치 모두에 민감하게 의존한다. 이러한 시스템이 확장되고 설계 매개변수 공간이 커짐에 따라, 기존의 반복적 시뮬레이션 비용은 감당하기 어려운 수준이 된다. 우리는 설계 스택의 상호 보완적인 수준에서 이 역설계 문제를 다루는 두 가지 심층 신경망(DNN) 접근법을 제시한다. 첫 번째는 목표 공동 관측값을 생성하는 SRF 공동 기하학적 구조를 제안한다. 두 번째는 목표 큐비트-공동 매개변수인 결합률, 큐비트 주파수, 비조화성 $(g, ν_q, α)$을 생성하는 트랜스몬 큐비트 설계를 제안한다. 복원된 후보 설계는 엔드투엔드 재시뮬레이션으로 확인된 바와 같이 목표값과 $\sim$5\%(공동) 및 $\sim$2\%(트랜스몬) 이내로 일치한다. 두 접근법 모두 원하는 소자 동작을 후보 설계에 직접 매핑하며, 이는 통상적으로 필요한 반복적 시뮬레이션 연구에 대한 빠른 대안이다.

arXiv:2606.29459v1cs.LG

대규모 언어 모델 에이전트를 활용한 금속-유기 골격체의 해석 가능한 역설계

Interpretable Inverse Design of Metal-Organic Frameworks with Large Language Model Agents

금속-유기 골격체(MOF)의 역설계는 조합론적으로 광대한 공간을 탐색해야 하며, 특성 레이블을 획득하는 데 비용이 많이 들고 대부분의 머신러닝 모델은 특정 구조가 성능을 발휘하는 이유를 거의 설명하지 못한다. 우리는 LLM4MOF를 소개한다. 이는 언어 모델 에이전트가 화학적 추론을 수행하고, 후보 MOF를 구성하며, 시뮬레이션에서 테스트하고, 10회의 자율적 반복을 통해 가설을 정제하는 폐루프(closed-loop) 프레임워크이다. 하나의 에이전트는 금속 노드, 링커, 기공 기하학, 기능성 화학에 대한 해석 가능한 설계 가설을 제안하고, 다른 에이전트는 이를 후보 MOF를 선택하는 제약 조건으로 변환한다. 각 후보 MOF는 금속 노드, 유기 링커, 그리고 대응하는 위상구조(topology)로 구성된다. 각 가설은 서로 다른 제약 조건의 부분집합을 적용하는 네 가지 진단 빔(diagnostic beam)을 통해 검증되므로, 이를 비교함으로써 기하학, 화학, 또는 금속 선택 중 어느 것이 성능을 주도하는지 파악할 수 있다. 데이터베이스의 전체 특성 분포를 알지 못하는 상황에서도, LLM4MOF는 400회의 특성 평가 내에서 여섯 가지 흡착, 분리, 전자 구조 태스크에 걸쳐 상위 성능 구조물에 탐색을 집중시킨다. 동일한 루프는 새로운 MOF를 처음부터(de novo) 생성하고 실시간 시뮬레이션에서 검증하며, 요청된 조건에 맞게 기하학을 적응시켜 캠페인당 약 1달러의 비용으로 무작위 탐색 및 유전 알고리즘을 능가한다. LLM4MOF는 목표별로 모델을 학습시키지 않고도 언어 모델 에이전트가 해석 가능하고 시뮬레이션에 기반한 역설계를 수행할 수 있음을 보여준다.

arXiv:2606.28119v1physics.optics

무손실 주기 구조의 서로게이트 모델링을 위한 물리 제약 신경망

Physics-constrained neural networks for surrogate modeling of lossless periodic structures

우리는 Jones 행렬 형태의 엄밀 결합파 분석(rigorous coupled-wave analysis, RCWA) 출력을 신속하게 예측하기 위한 물리 제약 신경망(PCNN)을 제안한다. 무손실 층상 주기 구조에서의 에너지 보존에서 출발하여, RCWA 출력이 Stiefel 다양체 위에 놓인다는 사실을 활용한다. 이 에너지 제약은 미분 가능한 대칭 직교화(differentiable symmetric orthogonalization)를 사용하여 다양체 위로 투영함으로써 강한 조건으로 강제된다. 그 결과 얻어진 서로게이트는 구조적으로 에너지 보존을 만족하면서 그래디언트 기반 역설계를 위한 미분 가능성을 유지한다. 제안 방법의 성능과 일반성은 증강현실 안경을 위한 회절 파동관 결합기(diffractive waveguide combiner)의 역설계를 통해 입증된다.

arXiv:2606.27002v1eess.SP

심층 학습을 이용한 소형 광대역 역방향 도허티 전력 증폭기의 역설계

Inverse Design of Compact and Wideband Inverted Doherty Power Amplifiers Using Deep Learning

CNN과 유전 알고리즘(GA)을 결합해 부하 변조, 임피던스 정합, 전력 결합, 위상 보상을 하나의 픽셀화된 역방향 도허티(inverted Doherty) 결합기로 통합하는 역합성 방법을 제안한다. GaN HEMT 원형은 1.9–2.5 GHz에서 피크 드레인 효율 51%–63%, 6-dB 백오프 효율 48%–54%, 출력 전력 44±0.3 dBm을 달성했으며 디지털 사전왜곡(DPD) 적용 시 ACLR -53.2 dBc 이상을 보였다.

arXiv:2606.22375v1cs.AI

ARIA: 신뢰성 있는 재료 발견에서 LLM 추론을 회복하는 인과 인식 프레임워크

ARIA: A Causal-Aware Framework for Rescuing LLM Reasoning in Trustworthy Materials Discovery

생성 모델은 재료 발견 과정을 혁신했지만, 근본적인 물리적 인과성을 충족하지 못하는 경우가 많다. 현행 문헌에서 파생된 지식 그래프(knowledge graph)로 보강된 대규모 언어 모델(LLM)을 분석한 결과, 모델이 좁게 검색된 증거에 '과도하게 고정(over-anchor)'하면서 전역적인 물리적 추론을 억압하는, 문맥적 터널링(contextual tunneling)이라고 명명한 현상을 밝혀냈다. 이 문제를 해결하기 위해, 지식 사용을 기전적 완전성(mechanistic completeness)에 조건화하는 인과 인식 프레임워크인 ARIA를 제안한다. ARIA는 각 쿼리를 3단계 계단식으로 라우팅한다: (i) Process-Structure-Property(PSP)의 완전한 증거 사슬이 이용 가능할 때 직접적 인과 추론, (ii) 희소하거나 새로운 재료 계에 대한 물리학 기반 유추 전이, (iii) 외부 증거가 불완전할 때 명시적 파라메트릭 폴백. 개념 증명으로, 재료 문헌의 동료 심사 논문에서 추출한 2,839개의 PSP 관계를 포함하는 지식 그래프(KG)를 구축하고, 2차원(2D) 재료에 대한 순방향 예측 및 역설계(inverse design) 작업에서 ARIA를 평가한다. ARIA는 문맥적 터널링을 완화하고, 보강되지 않은 기준선 및 단순 KG 보강 기준선 대비 성능을 개선하며, 온라인 문헌 검색으로 증거를 풍부하게 할 때 추가 이득을 제공한다. 무엇보다 ARIA는 감사 가능한 인과 추적을 생성하여, 물리적으로 근거 있는 신뢰할 수 있는 AI 지원 재료 발견을 가능하게 한다.

arXiv:2606.18395v1eess.SP

화소화 결합기와 이중 상태 임피던스 합성을 사용한 도허티 전력 증폭기의 심층 학습 기반 역설계

Deep Learning-Driven Inverse Design of Doherty Power Amplifiers Using Pixelated Combiners and Dual-State Impedance Synthesis

도허티 전력 증폭기(PA) 출력 결합기의 복잡한 설계 문제를 해결하기 위해 심층 CNN, 화소화 레이아웃, 유전자 알고리즘(GA), 이중 상태 임피던스 합성을 결합한 3포트 결합기 역설계 방법을 제안한다. 제작한 GaN HEMT 프로토타입 두 종은 2.6–2.8 GHz에서 포화 출력 44.2 dBm 이상, 피크 드레인 효율 71.2% 이상, 6 dB 백오프 64% 드레인 효율을 달성했으며 디지털 프리디스토션 적용 후 ACLR -51.3 dBc보다 우수한 성능을 보였다.

arXiv:2606.17445v1cs.LG

대규모 자기회귀 사전학습을 통한 제어 가능한 촉매 역설계

Toward Controllable Catalyst Inverse Design via Large-Scale Autoregressive Pretraining

불균일 촉매의 역설계는 촉매 표면이 방대한 화학 공간에 걸쳐 결합된 표면-흡착질 상호작용과 함께 상당한 구조적 복잡성을 나타내므로, 기존 스크리닝만으로는 이를 효율적으로 탐색하기 어렵기 때문에 여전히 어려운 과제로 남아 있습니다. 기계학습 기반 고처량 스크리닝(high-throughput screening)이 촉매 발견을 가속화했지만, 탐색 공간이 커짐에 따라 그 효율성은 필연적으로 저하되어, 목표 특성을 가진 촉매를 직접 구성할 수 있는 생성 모델(generative model) 개발의 필요성을 제기합니다. 이에 본 연구에서는 수치형 임베딩 층(embedding layer)을 갖춘 Generative Pretrained Transformer 아키텍처를 기반으로 하는 조건부 촉매 생성 모델을 제시합니다. 이 모델은 단일 자기회귀(autoregressive) 프레임워크 내에서 범주형 및 연속형 특성 모두에 조건을 부여하여 촉매 구조를 생성할 수 있습니다. 해당 모델은 1억 3,300만 개의 촉매 구조로 사전학습(pre-training)되었으며, 이후 조건부 생성을 위해 관련 범주형 특성과 결합 에너지가 포함된 약 46만 개의 최적화된 구조로 파인튜닝(fine-tuning)되었습니다. 이 결과 모델은 98%의 구조적 유효성, 95%의 최적화 유효성, 그리고 높은 범주형 조건 충실도를 달성했으며, 흡착질 유형과 조성에 대해 93%의 결합 일치율을 기록했습니다. 결합 에너지 조건화의 경우 약 20%의 일치율은 기준선(baseline) 학습 분포 대비 4배의 향상을 나타내며, 생성된 분포는 목표 값 쪽으로 체계적으로 이동하여 추가적인 파인튜닝 없이도 반응 목표 촉매 발견을 위한 스크리닝 효율성을 1.5배에서 4배까지 향상시킵니다. 이러한 결과는 대규모 자기회귀 사전학습과 명시적 특성 조건화의 결합이 제어 가능한 촉매 생성 및 촉매 발견 가속화를 위한 실용적인 경로를 제공함을 보여줍니다.

arXiv:2605.19611v2cs.CV

제조 가능한 메타표면 기반 흡수체의 생성형 역설계를 위한 물리 유도 조건부 확산 프레임워크

Physics Guided Conditional Diffusion Framework for Generative Inverse Design of Manufacturable Metasurface based Absorbers

연속 전자기(EM) 제약 하에서 메타표면의 역설계는 엄격한 스펙트럼 규격을 동시에 만족하면서도 제조 가능한 형상의 생성을 요구한다. 반복적 전파(full-wave) 시뮬레이션에 기반한 기존 접근법은 대규모 설계 공간에서 계산적으로 비현실적이며, 기존 생성 모델은 조건부 제어 가능성이 낮고 제조(fabrication) 인식이 제한적이라는 문제가 있다. 이에 본 연구는 메타표면 기반 흡수체의 역설계를 위해 물리 유도 조건 품질 강화 확산 프레임워크를 제안한다. 제조 인식 제약을 통합하여 생성된 설계의 실용적 실현 가능성을 보장한다. 이 프레임워크는 연속 스펙트럼 규격을 위한 조건화 메커니즘을 도입하며, 여기서 특징별 선형 변조(feature-wise linear modulation)가 디노이징 계층 전체에 조건을 전파하여 향상된 스펙트럼 제어 가능성과 함께 안정적이고 정확한 생성을 가능하게 한다. 또한 생성 학습 과정에 EM 일관성을 직접 내재하기 위해 사전학습(pre-training)된 대리(surrogate) EM 시뮬레이터를 확산 학습 파이프라인에 통합한다. 제안 프레임워크는 2~18 GHz 주파수 대역에서 다양한 반사 특성에 대해 물리적으로 실현 가능한 메타표면 설계를 생성했으며, 평균 스펙트럼 평균제곱오차(MSE) 0.0006과 높은 밴드 정렬 정확도 0.958을 달성했다. 이 프레임워크는 동일 목표 응답에 대해 기하학적으로는 다르지만 스펙트럼적으로 일관된 메타표면 설계의 구조화된 다중모드(multimodal) 생성을 가능하게 함으로써, 역 EM 설계의 근본적으로 비유일한(non-unique) 특성도 다룬다. 제안 모델은 약 30초 만에 적합한 설계를 생성하는 반면, 동등한 계산 자원에서 기존 접근법은 수개월이 걸릴 수 있다. 모델의 효율성은 실험 측정을 통해서도 입증되었다.