PyTorchKR Papers

최신 논문

총 11편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2512.16545v3cond-mat.mtrl-sci

소규모 데이터셋을 이용한 머신러닝 기반 예측적 무기 합성: 유체역학적 직경이 제어된 Cu 나노입자 사례 연구

Predictive Inorganic Synthesis based on Machine Learning using Small Data sets: a case study of Hydrodynamic Diameter-controlled Cu Nanoparticles

Cu 나노입자(Cu NPs)는 광범위한 적용 가능성을 가지지만, 그 합성은 반응 매개변수의 미세한 변화에 민감하다. 이러한 민감성은 실험적 최적화가 시간과 자원을 많이 소모한다는 특성과 결합되어, 재현 가능하고 크기가 제어된 합성을 달성하는 데 있어 중대한 과제를 제기한다. 머신러닝(ML)은 재료 연구에서 유망성을 보이고 있지만, 그 적용은 대규모 고품질 실험 데이터셋의 부족으로 인해 종종 제한된다. 본 연구는 25회의 합성으로 이루어진 소규모 데이터셋을 사용하여 Cu 나노입자의 DLS 기반 유체역학적 직경을 예측하기 위해 ML을 탐구한다. 실험 데이터셋을 구성하는 동안 매개변수 공간을 효율적으로 포괄하기 위해 라틴 하이퍼큐브 샘플링(Latin Hypercube Sampling)이 사용된다. 앙상블 회귀 모델은 제한된 데이터셋에도 불구하고 양호한 예측 성능으로 유체역학적 직경을 성공적으로 예측한다. 정량적 회귀에는 고유한 DLS 기반 유체역학적 직경이 필요하므로, 회귀 모델은 단일 모드(mono-modal) DLS 분포로 제한되며, 이를 보완하는 분류 모델이 정량적 예측이 적용 가능한 합성 조건을 식별한다. 동등한 아웃오브샘플(out-of-sample) 검증을 사용했을 때, ML 모델과 DoE 모델은 비슷한 일반화 성능을 보였다. 최종 앙상블 모델은 DoE 모델의 0.60에 비해 R2=0.74를 달성했으며, 전체 합성 매개변수 공간을 유지함으로써 합성 가이드에 더 적합함을 보였다. 또한, 큰 입자와 작은 입자를 구분하기 위해 랜덤 포레스트와 LLM을 모두 사용하는 분류 모델이 평가되었다. 이러한 분류 모델은 다소 낮은 예측 성능만을 보였으며, 이는 이 소규모 데이터셋이 복잡한 LLM의 역량을 완전히 활용하기에는 불충분함을 나타낸다. 전반적으로, 본 연구는 신중하게 선별된 소규모 데이터셋이 견고한 고전적 ML과 결합될 때 Cu 나노입자의 합성을 효과적으로 지원할 수 있음을 보여주며, 실험실 규모 연구에서는 LLM과 같은 복잡한 모델이 제한적인 이점을 제공할 수 있음을 강조한다.

arXiv:2610.03056v1cs.AI

MOF-VERIFY: MOF 가설 검증을 위한 실패 인식 에이전틱 하네스

MOF-VERIFY: A Failure-Aware Agentic Harness for MOF Hypothesis Verification

대규모 언어 모델(LLM)이 AI 기반 재료 동료 과학자(Co-Scientist)의 추론 구성 요소로 점점 더 많이 활용되고 있지만, 이로 인한 검증 파이프라인의 신뢰성은 여전히 불분명합니다. 금속-유기 골격체(MOF)는 구조가 서로 다른 식별자로 나타날 수 있고, 합성 결과가 실험 조건에 크게 의존하며, 증거가 이종의 출처에 분산되어 있고, 일부 가설은 문헌뿐만 아니라 계산을 필요로 하기 때문에 특히 까다로운 환경을 제공합니다. 본 논문에서는 구조적 그라운딩(structural grounding), 합성 조건 검증, 증거 충분성 검증, 머신러닝 인터애토믹 포텐셜(MLIP) 기반 계산 검증을 포괄하는 네 가지 태스크 계열로 구성된 진단 벤치마크를 소개합니다. 지식 접근, 증거 획득 및 추론에서의 실패를 국소화하기 위해 T-MOF-1-3은 오픈북이 아닌 폐쇄형(closed-book), 검색 지원(retrieval-enabled), 오라클 증거(oracle-evidence) 설정에서 평가되며, T-MOF-4는 계산 검증을 별도로 평가합니다. 이렇게 진단된 실패 모드를 기반으로, 최종 판정을 내리기 전에 구조, 문헌, 증거 충분성 및 계산 병목 현상을 해결하는 실패 인식 에이전틱 하네스(agentic harness)인 MOF-Verify를 개발했습니다. 여러 백본 LLM에 걸쳐 MOF-Verify는 직접 추론(inference) 및 검색 기반 베이스라인 대비 가설 검증 성능을 대폭 향상시킵니다. 벤치마크 데이터셋은 https://github.com/IMMS-Ewha/MOF-Verify-Benchmark 에 공개되어 있습니다.

arXiv:2609.23957v1cs.AI

자율 재료 발견에서 발산하는 전략과 수렴하는 결과

Divergent strategies and convergent outcomes in autonomous materials discovery

과학 에이전트(scientific agents)는 주로 과제 완료 여부나 알려진 결과 재현 여부로 평가되지만, 본 연구는 반복된 개방형(open-ended) 캠페인 간 변이를 조사한다. 동일한 모델-하니스(model-harness) 구성으로 각각 독립 초기화된 16개 세션에 12,499개 금속-유기 골격(metal-organic frameworks)의 고정(frozen) 데이터베이스, 메탄 저장(methane-storage) 목표, 고정(pinned) 프로토콜, 1주 예산이 주어졌다. 전략은 100~5,000개를 스크리닝한 구조 범위를 아우르는 네 가지 접근으로 갈라졌고, 여덟 세션은 2,253개의 가설(hypothetical) 구조를 생성했다. 그럼에도 에이전트들은 약 200 cm^3/cm^3 부근의 동일한 재료 프론티어(materials frontier)를 회복했으며, 데이터베이스 다공(porous) 영역에 대한 독립 계산은 최상위 9개 구조가 모두 그들의 보고에 포함됨을 확인했다. 절반의 에이전트에 강제 검증(enforced checks)을 적용하면 신규 실행(fresh-run) 재현이 8개 중 1개에서 8개 중 8개로 늘었으나 결론 타당성(conclusion validity)은 눈에 띄게 개선되지 않았다. 16개 중 15개 에이전트가 동일한 감사 제외(audit-excluded) 항목, 즉 누락된 음이온(anion)이 인공적인 기공 부피(pore volume)를 만든 불완전 구조를 선택했기 때문이다. 따라서 복제(replicated) 에이전트는 견고한(robust) 결론과 공유 입력(shared inputs)에서 비롯된 공통 모드(common-mode) 오류를 함께 드러낸다.

arXiv:2607.23896v1cs.AI

자율 재료 발견을 위한 비용 인식 회수 경로 식별 및 베이지안 최적화

Cost-Aware Recovery-Pathway Identification and Bayesian Optimization for Autonomous Materials Discovery

자율 실험실은 실험 수행을 자동화하지만, 캠페인은 또한 어떤 회수 경로가 최적화할 가치가 있는지 결정해야 한다. 우리는 이를 이질적인 실험 비용 하에서 이산적인 경로 식별 단계와 경로 내 연속 최적화 단계를 갖는 순차적 의사결정 문제로 공식화한다. 우리의 구현인 Coactive learning은 EC2(Golovin et al., 2010)에서 영감을 받은 비용 민감 베이지안 가설 판별 정책과 가우시안 프로세스 베이지안 최적화(Srinivas et al., 2010)를 결합한다. 명시적으로 진술된 가정 하에서, 고정 예산 캠페인 시도 1회의 기대 지출은 기대 경로 식별 비용과 상한이 설정된 경로 내 최적화 예산의 합으로 한정된다. 우리는 PNNL의 CICERO 선택적 침전 연구(Ritchhart et al., 2026)에서 보고된 선별된 결과로 제약된 합성 벤치마크(benchmark)에서 이 방법을 평가한다. 이 방법은 정답 경로에 대한 오라클 레이블을 받지 않으면서 첫 번째 플레이트로 경로를 판별하는 강력한 split-plate 기준선(baseline) 및 오라클 경로 베이지안 최적화 기준과 비슷한 성능을 보인다. 이 방법에는 후보 가설 공간과 진단 가능도(likelihood) 모델이 주어진다. NdFeB에서 영감을 받은 사례에서, 이 방법은 처음에 그럴듯하지만 열등한 수산화물 경로를 선택하는 commit-first 기준선의 시뮬레이션 페널티를 피한다. 이 가상의 잘못된 선(先)확정 시나리오는 CICERO에서 보고된 수산화물-옥살레이트 성능 대비에 의해 동기화된다. 우리는 이러한 결론이 가정된 비용 모델에 대해 얼마나 민감한지 특성화한다. 코드와 벤치마크는 오픈 소스이다.

arXiv:2607.21660v1cond-mat.mtrl-sci

재료 예측 및 설계를 위한 생성형·멀티모달 AI: 진전, 과제 및 전망

Generative and multimodal AI for materials prediction and design: Progress, challenges, and perspectives

인공지능(AI)은 화학적·구조적 공간의 효율적 탐색을 가능하게 함으로써 재료 예측 및 설계를 가속화하고 있으며, 특히 신규 재료 발견에 큰 가능성을 보여준다. 그러나 재료 발견에서의 참신성은 화학적 타당성, 구조적 독특성, 물성 관련성, 실험적 실현 가능성을 포괄하므로 AI 기반 참신성 주장을 입증하기 어렵다. 우리는 배치(deployment) 제약을 명확히 하고 구조적·물리적·배치 참신성을 구별하기 위해, 고유(intrinsic)적이고 조성에 의해 결정되는 물성에서 외재(extrinsic)적이고 가공(processing)에 의존하는 성능까지 이어지는 재료 물성 계층을 제안한다. 이 프레임워크는 화학 조성, 미세구조, 가공, 시험 및 특성화(characterisation)에 걸친 멀티모달 재료 데이터에 대한 증거 기반 관점을 이끌어내며, 현재 증거가 조성과 이상화된(idealised) 구조에 집중되어 있는 반면 이질적·과소 대표·약하게 통합된 모달리티가 물리적 및 배치 참신성에 대한 지지를 제한함을 보여준다. 또한 주로 계산 라벨과 대리(proxy) 참신성 기준에 기반한 벤치마크(benchmark)의 한계를 강조한다. 멀티모달 데이터 구축, 공정 인식(process-aware) 멀티모달 모델링, 실현 가능성 우선(feasibility-first) 생성형 모델링, 배치 인식(deployment-aware) 벤치마킹을 지원하려면 데이터 수집, 모달리티 정렬(alignment), 증거 종합(synthesis)에 대한 커뮤니티 전반의 표준이 필요하며, 이를 통해 생성형·멀티모달 AI가 방어 가능한(defensible) 과학적·실용적 참신성을 갖춘 실험적으로 실현 가능한 재료를 설계할 수 있다.

arXiv:2603.01311v3cs.CL

Catalyst-Agent: LLM 에이전트 기반 자율 이종 촉매 스크리닝

Catalyst-Agent: Autonomous heterogeneous catalyst screening with an LLM Agent

산소 환원 반응(ORR), 질소 환원 반응(NRR), CO2 환원 반응(CO2RR)과 같은 전기화학 응용을 위한 촉매 발견은 화학 및 재료과학의 핵심 과제로 남아 있다. 기계학습 원자간 전위(MLIP)와 그래프 신경망 모델은 이제 밀도 범함수 이론(DFT) 대비 개별 흡착 에너지 계산을 수量级으로 가속화한다. 그러나 진정한 대규모 스크리닝은 여전히 인간의 의사결정에 의해 막혀 있다: 후보 선택, 슬래브(slab) 구성, 흡착 부위 열거, 기술자(descriptor) 실패 해석, 후속 수정 선택 등이다. 여기서 우리는 Model Context Protocol(MCP) 서버 기반의 LLM 구동 에이전트인 Catalyst-Agent를 소개하며, 이는 폐루프(closed-loop) 촉매 스크리닝을 자율적으로 조율한다. Catalyst-Agent는 OPTIMADE를 통해 재료 데이터베이스를 검색하고, 슬래브를 구성하며, AdsorbML 내 Meta FAIRchem의 UMA MLIP를 사용해 흡착 에너지를 계산하고, 반응별 기술자를 평가하며, 구조적 수정을 적용해 근접 실패(near-miss) 후보를 정제한다. ORR, NRR, CO2RR 캠페인에서 Catalyst-Agent는 높은 성능을 보이며 성공적인 재료당 평균 1.40-3.41회 시도에서 수렴한다. 문헌에 이전에 보고되지 않았던 Sn3Sc, Sn3Y, Tl3La, Pb3Y, In3Y를 추가 검증을 위한 CO2RR 후보로 식별했다. DFT 단일점(single-point) 확인은 대표적인 NRR 및 CO2RR 후보에 대한 스크리닝 결과를 검증했다. 절제(ablation) 연구는 이러한 이득이 무차별적 평가가 아닌 화학적 정보에 기반한 후보 선택과 피드백 지향 수정에서 비롯됨을 보여준다: 완전 무작위 스크리닝은 ORR, NRR, CO2RR에 대해 각각 13.3%, 16.7%, 0%의 성공률로 떨어졌다. 이러한 결과는 도구에 기반한(tool-grounded) LLM 에이전트가 촉매 스크리닝을 수동 시행착오에서 보다 자율적이고 재현 가능하며 적응적인 워크플로로 전환할 수 있음을 보여준다.

arXiv:2607.00924v1cs.AI

Graph-Native Reinforcement Learning Enables Traceable Scientific Hypothesis Generation through Conceptual Recombination

Accelerating materials discovery requires AI systems that can generate scientifically valid hypotheses through multi-step, domain-grounded reasoning. Standard large language models often produce fluent but weakly traceable responses to open-ended materials design problems, making it difficult to determine whether final answers are supported by coherent intermediate reasoning. We develop Graph-PRefLexOR, a family of graph-native reasoning models fine-tuned with Group Relative Policy Optimization (GRPO) to organize reasoning into explicit phases for mechanism exploration, graph construction, pattern extraction, and hypothesis synthesis. This design links neural language generation with symbolic relational structure, enabling causal connections to be constructed, inspected, and reused. On 100 open-ended questions from materials science and mechanics literature, Graph-PRefLexOR achieves 40-65% improvements over corresponding base models, with the largest gains in reasoning traceability. Embedding analyses show broader semantic exploration and approximately 2-3 times greater semantic diversity than baselines. Semantic backtracking and layer-wise hidden-state analyses further show stronger alignment between structured reasoning and final answers. Finally, test-time graph expansion reveals that additional compute primarily increases long-range conceptual recombination within a bounded semantic space, rather than simply expanding semantic coverage. These results establish graph-native reinforcement learning as a pathway toward interpretable AI systems for scientific hypothesis generation in materials design and other scientific applications.

arXiv:2606.31366v1cond-mat.mtrl-sci

From Materials Database to Materials Bank: Assetizing Data for AI Driven Materials Innovation

Driven by high-throughput experimentation, computational modeling, and artificial intelligence (AI), materials data has expanded at an unprecedented rate. Conventional materials databases function only as passive repositories, archiving raw experimental records indiscriminately including both successful and failed data, without systematic value filtering or asset management. This creates a critical gap between massive data accumulation and actionable innovation, hindering the identification of high-potential materials and industrial translation. To address this bottleneck, we propose an industrialization-oriented Materials Bank, a dedicated valuefiltering and assetization layer that operates beyond traditional databases. It does not merely curate high-quality data but systematically elevates qualified candidates into standardized, upgradable materials assets via a multi-dimensional BankCard framework covering scientific validity, synthesis feasibility, application readiness, and industrial value. By unifying databases, AI models, automated experimentation, and multi-criteria assessment into a cohesive closed-loop ecosystem, the Materials Bank establishes a clear trajectory from data to knowledge, candidate, asset, and product. It serves not as an enhanced database or screening tool, but as a decision infrastructure bridging academic discovery and industrial demand, offering a scalable paradigm to accelerate AI-driven materials innovation and deliver tangible real-world impact.

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.

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:2606.11870v1cond-mat.mtrl-sci

불확실성 인식 신경망을 이용한 자성 재료 물성 모델링

Modelling magnetic material properties with uncertainty-aware neural networks

머신러닝은 넓은 조성 및 구조 설계 공간을 탐색함으로써 신규 재료 발견을 가속하는 데 점점 더 널리 적용되고 있다. 그러나 고품질 데이터의 부족과 분포 밖(out-of-distribution) 예측이 빈번히 필요하다는 점은 상당한 불확실성을 초래하며, 이에 따라 모델 신뢰성 평가가 필수적이다. 본 연구에서는 영구 자석 연구 맥락에서 모델 신뢰도를 평가하는 수단으로서 불확실성 정량화(uncertainty quantification)를 조사한다. 첫 번째 연구에서는 고유 자성 특성을 예측하기 위해 고전적 및 현대적 머신러닝 모델을 벤치마크하고, 그 불확실성 추정의 품질에 초점을 맞춘다. 예측 불확실성을 추정하기 위한 실용적 전략으로 가우시안 음의 로그-가능도(negative log-likelihood) 손실과 드롭아웃 기반 베이지안 근사를 적용한다. 두 번째 연구에서는 불확실성 추정을 위한 이러한 아키텍처 특성을 더 복잡한 과제, 즉 그래프 신경망(graph neural network)을 사용해 미세구조 정보로부터 보자력(coercivity)을 예측하는 작업으로 이전한다. 이 두 연구는 불확실성 정량화가 예측의 신뢰성을 높일 뿐만 아니라 서로 다른 모델링 과제 간에도 전이 가능함을 보여준다.