본 논문에서는 Kadi 연구 데이터 에코시스템에 통합된 프라이버시 중심 설계(privacy-by-design) AI 어시스턴트인 KadiAssistant를 소개합니다. 이를 통해 연구자들은 이종의 개인정보 보호에 민감한 연구 데이터로부터 정보를 효율적으로 접근, 집계 및 종합할 수 있습니다. 재료 과학과 같은 학제 간 분야는 고유한 용어와 표준을 가진 학문들을 융합합니다. 이러한 융합(convergence)은 혁신을 촉진하지만, 데이터가 학문, 조직 및 개인에 걸쳐 분산되어 있어 지식을 연결하고 접근하기를 점점 더 어렵게 만듭니다. 예를 들어, 배터리 연구는 전기화학적 측정값, 재료 특성 평가 데이터, 물리 기반 시뮬레이션, 제조 파라미터를 결합하며, 각각 서로 다른 형식, 어휘 및 표준을 사용합니다. Kadi4Mat과 같은 연구 데이터 플랫폼을 통해 이와 같은 이종 데이터를 효율적으로 저장하고 공유하려면 도메인 지식, 기술적 전문성, 메타데이터 스키마 및 인터페이스에 대한 친숙도가 요구됩니다. 연구 데이터는 민감도 측면에서도 다양합니다. 새로 생성된 '웜(warm)' 데이터는 종종 비공개인 반면, 출판된 '콜드(cold)' 데이터는 대개 공개적으로 접근 가능합니다. Kadi 에코시스템은 민감한 데이터에 필요한 세밀한(fine-grained) 접근 제어를 제공합니다. 따라서 Kadi에서 효율적인 정보 검색을 위한 솔루션은 이러한 세밀한 접근 권한을 준수해야 합니다. 정보 검색, 강력한 데이터 프라이버시, 복잡한 접근 제어라는 서로 얽힌 과제를 해결하기 위해, KadiAssistant는 자체 호스팅(self-hosted) 대규모 언어 모델(LLM)과 검색-증강 생성(RAG)에서 영감을 얻은 프라이버시 보존 시맨틱 검색을 결합하여 Kadi의 파일과 레코드 메타데이터에 접근할 수 있도록 합니다. 이를 통해 어시스턴트는 정보를 선별, 집계 및 구조화하여 매우 유익한 답변으로 생성할 수 있습니다. 따라서 KadiAssistant는 용어와 표준 간의 간극을 좁히고, 연구자의 접근 장벽을 낮추며, FAIR 데이터 원칙의 '검색 가능성(Findable)' 요건을 강화합니다.
실험 계측 및 자동화 기술의 발전은 점점 더 풍부한 데이터셋을 생성하고 있지만, 실험 관측을 미시적 이해로 전환하는 것은 여전히 과학적 발견의 병목으로 남아 있다. 이 과정을 가속화하기 위해, 우리는 가설 생성, 제일원리 계산(first-principles calculations), 그리고 증거 기반 정제(evidence-driven refinement)를 통해 물리 모델을 자율적으로 발견하는 인공지능(AI) 에이전트 시스템인 AI Theorist를 소개한다. 우리는 이 프레임워크를 키타예프(Kitaev) 양자 스핀 액체를 구현할 수 있는 유력한 후보 물질인 α-RuCl₃에 적용하여, 광학 스펙트럼을 통해 그 전자 구조를 조사한다. AI Theorist는 광학 및 광전류(photocurrent) 관측 결과에 대한 새로운 해석을 제시하며, 서로 대비되는 광학 선택 규칙(optical selection rules)과 실공간 분포를 갖는 서로 다른 엑시톤 상태(excitonic states)를 식별한다. 우리가 아는 한, 이는 AI 시스템이 제일원리 전자 구조 및 다체(many-body) 계산을 활용하여, 이전에 발표되지 않은 양자 물질의 실험 관측을 설명하는 물리 모델을 자율적으로 개발한 최초의 사례이다. 본 연구 결과는 AI 에이전트가 제일원리 계산을 이용해 실험 관측을 물리 모델과 검증 가능한 예측으로 전환하는, 재료과학 분야에서의 자율적 이론 발견(autonomous theoretical discovery)으로 향하는 경로를 확립한다.
대규모 언어 모델(LLM) 기반의 자기 진화 탐색은 과학적 발견을 위한 유망한 접근법입니다. 그러나 일부 영역에서는 모든 후보에 대해 고충실도(high-fidelity) 평가를 수행하는 데 엄청난 비용이 듭니다. 따라서 이러한 환경의 자기 진화 시스템은 비용이 저렴하지만 불완전한 프록시 보상(proxy reward)에 의존하며, 이는 실현 불가능한 후보에 높은 점수를 부여할 수 있습니다. 이러한 위양성(false positive)은 최종 출력뿐만 아니라 후속 세대를 유도하는 데 사용되는 피드백까지 오염시킬 수 있습니다. 이는 보다 신뢰할 수 있는 자기 진화 탐색을 위해 통계적으로 보정된 보상 구간을 도입하는 동기가 됩니다. 본 논문에서는 조건부 등분산 추론(conditional conformal inference)과 반복(iteration)별 온라인 밀도비 추정을 사용하여 후보별 보상 구간을 구성하는 CISE(Conformal Interval-Driven Self-Evolution)를 제안합니다. CISE는 진화적 피드백을 위해 보수적인 구간 기반 보상을 사용하며, 요구되는 모든 속성 구간이 각자의 실행 가능한 영역 내에 완전히 포함될 때만 후보를 반환합니다. 본 연구는 독립성 및 공변량 변화(covariate shift)에 대한 명시적 가정 하에서 고정 반복 커버리지 결과를 도출합니다. 또한 재료과학 분야의 세 가지 자기 진화 탐색 작업에서 CISE를 평가합니다. 실험 결과, 고충실도 평가에서 CISE가 반환한 모든 후보는 진양성(true positive)이었던 반면, 베이스라인들은 더 많은 후보를 반환하지만 위양성을 포함했습니다. 이러한 결과는 다운스트림 검증 예산이 제한적일 때 더 작지만 더 정밀한 후보 목록이 갖는 가치를 강조합니다. 연구 저장소는 https://github.com/MLAI-Yonsei/CISE.git 에서 확인할 수 있습니다.
고분자 물성 예측에는 머신러닝 방법론의 엄밀한 비교를 가능하게 하는 공개적이고 표준화된 벤치마크(benchmark)가 부족하며, 기존 리소스는 단일중합체(homopolymer)와 같이 좁은 범위의 고분자 구조만을 다룹니다. 본 연구에서는 실험적 측정, 밀도 범함수 이론(DFT), 분자 동역학(molecular dynamics) 데이터를 포함하여 8가지 물리적 특성에 걸친 약 250,000개의 고분자-물성 데이터포인트로 구성된 공개 데이터셋인 Polymer Benchmark 2026(PolyBench26)을 소개합니다. 이 벤치마크는 단일중합체 및 교대, 랜덤, 블록 공중합체에 걸쳐 분포 내(in-distribution) 물성 예측, 데이터셋 크기 스케일링(scaling), 반복 단위(repeat-unit) 복잡도, 미확인 고분자 구조로의 전이 등 4가지 평가(evaluation) 태스크를 지원합니다. 우리는 언어 모델(language model), 그래프 기반, 기술자(descriptor) 기반 접근법을 비교하였으며, 그래프 기반 모델이 물성 예측에서 가장 낮은 오차를 보이고 평가된 학습(training) 세트 크기 전반에서 우위를 유지하며 반복 단위 복잡도 증가에 대해서도 견고함을 유지한다는 것을 발견했습니다. PolyBench26은 점점 더 복잡해지는 고분자 설계 공간을 위한 모델을 개발하는 데 재현 가능한 기반을 제공합니다. PolyBench26 벤치마크는 https://github.com/rlearsch/PolymerBenchmark2026 에서 오픈소스로 이용할 수 있습니다.
기계학습 원자간 포텐셜(MLIP)은 양자역학적 에너지와 힘——전통적으로 밀도범함수 이론(DFT)이나 파동함수 방법으로 계산되는——을 비용의 일부만으로 근사한다. 이 분야는 알고리즘, 학습 데이터셋, 하이퍼파라미터, 대상 재료로 구성된 성장하는 생태계를 포괄하지만, MLIP 연구를 체계적으로 비교·재현·확장하는 데 필요한 메타데이터는 여전히 논문, 스크립트, 임시(ad-hoc) 파일 형식에 흩어져 있다. 본 논문은 MLIP 온톨로지를 제시한다. 이는 MLIP 방법, 하이퍼파라미터, DFT 출처가 있는 학습 데이터셋, 공개된 벤치마크를 기술하는 데 필요한 개념을 담은 OWL 2 DL 온톨로지이다. 이 온톨로지는 세 모듈——Method, Training Data, Benchmark——로 구성되며, 재료과학(MDO, CMSO/ASMO)과 기계학습(ML-Schema)의 기존 온톨로지를 연결하고 Croissant와 같은 데이터셋 측 스키마를 보완한다. 27개의 형식 공리를 선언하여 데이터 완전성과 일관성을 강제하며, 학습된 모델을 해당 방법 및 학습 데이터와 연결하는 속성 체인(property chain)을 포함한다. Moment Tensor Potentials를 기반으로 한 실행 예제를 통해 온톨로지를 시연하고, 20편 논문으로 시드된 지식 그래프에 대한 역량 질문(competency question) 실행, OWL 추론, 기존 온톨로지와의 비교를 통해 이를 평가한다.
원자론적 시뮬레이션은 재료 설계의 핵심이지만, 실행에는 상당한 인간 전문성을 요구하는 복잡한 다단계 워크플로가 포함된다. 본 연구에서는 URSA(Universal Research and Scientific Agent) 프레임워크에 내장된 에이전트 기반 시스템을 제시하며, 이는 Large-scale Atomic/Molecular Massively Parallel Simulator(LAMMPS) 도구를 사용하여 시연된 원자론적 시뮬레이션의 설계, 실행, 검증을 자동화한다. 우리 시스템은 원자간 퍼텐셜(interatomic potentials)을 자율적으로 선택하고, 시뮬레이션을 구성 및 실행하며, 폐루프(closed-loop) 워크플로 내에서 반복적 오류 복구를 수행한다. LAMMPS 및 Vienna Ab initio Simulation Package(VASP) 계산을 위한 고처리량(high-throughput) 툴킷인 LAVA의 결과와 벤치마킹하여 에이전트의 과학적 신뢰성을 평가한다. 우리 프레임워크는 수동 개입과 시행착오를 줄여, 원자론적 모델링의 엄밀성, 재현성, 확장성을 향상시킨다.
재료 과학 문헌 분석은 조성, 가공, 특성화, 특성 관계에 동시에 주의를 기울여야 하지만, 기존의 검색-증강 생성(RAG) 파이프라인은 단일 검색-후-생성 아키텍처 내에서 이질적인 작업들을 조화시키는 데 어려움을 겪는다. 본 연구에서는 AlphaAgent를 제시한다. AlphaAgent는 명시적 스킬 계약을 통해 검색 기반 질의응답과 논문 수준 보고서 생성을 분리하는 스킬 기반 에이전트 프레임워크이다. 전용 검색 스킬은 사용자 요청을 재료 특화 검색 의도로 재작성하고, Journal Citation Reports의 Metallurgy and Metallurgical Engineering 카테고리에서 30만 편 이상의 논문으로 구성된 큐레이션 인덱스를 조회하며, 초기 증거가 불충분할 때 쿼리를 재구성한다. 별도의 보고서 생성 스킬은 전문 PDF를 파싱하여 논문별 구조화된 분석 보고서와 논문 간 요약을 생성한다. 재료 과학 질문 40개에 대한 블라인드 평가에서, 그 중 절반은 심층 분석적 추론을 요구했으며, AlphaAgent는 기반 모델, 문서 인덱스, 검색 규모가 동일하게 맞춰진 기준선 시스템을 크게 능가했고, 특히 메커니즘 설명과 신뢰성 경계 인식에서 가장 큰 향상을 보였다. 이 결과는 명시적 작업 분리, 정교화된 검색 의도, 증거 인식 생성이 재료 연구를 위한 대규모 언어 모델(LLM) 기반 문헌 분석을 개선함을 시사한다.
This paper reviews algorithmic and modeling approaches for fitting generalized power diagrams to three-dimensional image data, a key step in virtual materials testing (VMT). Beyond their practical relevance to materials science, these tessellation models connect to several active areas of applied mathematics, including optimization, computational geometry, stochastic modeling, and optimal transport. Their formulation combines concepts from convex analysis and geometric clustering, offering a rich interplay between theory and computation. We survey recent applications and quantitatively compare algorithmic strategies for fitting Voronoi diagrams, power diagrams, and generalized balanced power diagrams (GBPDs), including linear and nonlinear programming, stochastic optimization via the cross-entropy method, and gradient-based approaches. Comparative results on real datasets illustrate trade-offs between algorithmic complexity and model accuracy.
기계학습 힘장(MLFF)은 학습 분포 근처에서만 신뢰할 수 있으므로, 다양한 학습 세트를 효율적으로 구축하는 것은 처음부터 학습과 기초 모델 미세조정 워크플로 모두에서 주요 병목이 된다. 능동 학습(active learning)은 이러한 비용을 줄일 수 있지만, 표준 모델 위원회(model committee) 불확실성은 위원회 각 구성원마다 별도의 미세조정 실행이 필요하기 때문에 기초 MLFF에는 실용적이지 않다. 우리는 구성(configuration)별로 전방 패스(forward pass) 비용이 낮은 불확실성 추정기인 최종 층 투영 회귀(last-layer-projection regression, LLPR)를 기반으로 한 능동 학습 워크플로를 제시한다. 분자, 응축상(condensed-phase), 전해질 시스템 전반에 걸쳐 LLPR은 전자 구조(electronic-structure) 레이블의 극히 일부만으로 전체 데이터 정확도를 회복하는 컴팩트하고 고가치의 학습 세트를 식별한다. 기초 모델 미세조정에서 LLPR이 선택한 구성은 무작위 선택보다 훨씬 적은 레이블로 전체 풀 미세조정 상한에 도달한다. 반복적 전해질 미세조정에서 LLPR은 DFT 레이블링 이전에 비물리적 국소 배위(local coordination)를 감지하고, 절대적인 힘 오차 임계값을 제공하며, 학습 루프의 자동 종료를 가능하게 한다. 결과 모델은 기준(reference) 밀도와 이온 배위 구조를 재현하며, MLFF 학습 체계 전반에 걸친 확장 가능한 불확실성 정량화(uncertainty quantification) 전략을 제공한다.
전자-양전자 소멸 복사(ACAR)의 각도 상관을 통해 3차원 이광자 모멘텀 밀도(TPMD)를 실험적으로 재구성하는 것은 재료의 페르미 표면을 연구하는 데 특히 유용한 방법이다. 이 방법은 저온, 초고진공(UHV) 조건, 또는 강한 자기장에 의존하지 않으며, 재료의 스핀 분해 전자 구조 연구를 가능하게 한다. 그러나 이는 여전히 어려운 역문제로 남아 있다.
일반적으로 서로 다른 각도에서 TPMD의 3--6개 투영에 대해 10^8개의 양전자 소멸 사건이 측정된다. 표준 재구성 접근법은 결정 구조의 고유 대칭성을 활용하는 코맥(Cormack) 방법의 ACAR 변형(MCM)이다. 그러나 낮은 신호 대 잡음비로 인해 페르미 표면 연구에 충분한 품질의 데이터를 수집하는 데 시료당 수개월이 걸릴 수 있다.
우리는 다양한 단계에서 지도 학습 딥러닝 모델(CNN, MLP, UNet)을 통합하여 MCM을 보강하는 데이터 기반 모델 기반 재구성 알고리즘군인 DeepCormack을 제안한다. 대규모 실험 학습 데이터셋의 부족을 극복하기 위해, 동적 모드 분해(DMD)와 결합한 특이값 분해(SVD)를 활용하여 밀도 범함수 이론(DFT)으로 계산된 단일 기준 모멘텀 밀도만으로 현실적인 합성 TPMD 볼륨을 생성하는 방법을 제안한다. 테스트 데이터에서 DeepCormack은 200M counts에서 MCM 대비 재구성 품질을 약 8.5 dB PSNR만큼 향상시키며, 낮은 counts에서도 안정적으로 유지되어 획득 시간을 크게 단축할 수 있다. 실험 데이터에 대한 일반화는 기준 모멘텀 밀도로부터의 학습 분포가 시료와 얼마나 잘 일치하는지에 크게 좌우된다. 따라서 표적 재료의 DFT 계산과 DeepCormack을 함께 사용하여 시료 특이적 학습 데이터를 생성할 것을 권장한다. 제안된 방법은 훨씬 더 높은 품질의 재구성을 제공하거나, 수 주 수준으로 획득 시간을 크게 단축할 수 있다.
본 논문에서는 기계학습 원자간 포텐셜(MLIP)에 대한 SO(2) 이론을 체계적으로 조사하고, 기존 SO(2) 선형 아키텍처가 SO(3) Clebsch-Gordan 텐서 곱(CGTP)에 비해 갖는 한계를 규명한다. 이러한 통찰을 바탕으로, Wigner D-행렬의 직접적인 데카르트 구성 및 재귀적 Clebsch-Gordan 구성을 제안하고 두 가지 새로운 상호작용 빌딩 블록을 소개한다. 첫째, 일반화된 비대칭 수축(Generalized Asymmetric Contraction)에 기반한 에지 복소 곱 기저(Edge Complex Product Basis)를 제안한다. 이는 복소값 등변 곱셈을 통해 에지 위의 고차 상호작용을 직접 구성하는 다체 전개(many-body expansion)의 새로운 공식화이다. 둘째, 외삽 성능을 향상시키고 기존의 어텐션 벡터 공식화를 능가하는 방사형 회전 복소 어텐션(Radial Rotary Complex Attention, RRA)을 소개한다. 또한 원자 클러스터 확장(Atomic Cluster Expansion) 모듈에 여러 개선 사항을 도입한다. 이러한 발전을 바탕으로, OMat24, sAlex, MPTrj에서 모델을 학습시키고 Matbench Discovery에서 최첨단(SOTA) 성능을 달성하는 TECE-OAM-RRA-1.0을 소개한다.
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.
소형 및 전체 크기 시편 간 샤르피 충격 시험 결과의 신뢰할 수 있는 상관관계는, 특히 공간적 제약과 제한된 재료 부피로 인해 시편 크기가 제한되는 원자력 분야에서의 구조 건전성 평가에 필수적이다. ASTM A370 및 BS 7910과 같은 표준은 변환 방법론에 대한 지침을 제공하고, 다수의 분석적 상관관계 방법이 선행 연구에서 제안되었지만, 이러한 접근법들은 일반적으로 정확도가 제한적이며 특정 재료, 처리 조건 및 시편 형상에만 적용 가능한 경우가 많다. 본 연구에서는 시편 크기 간 샤르피 충격 특성의 상관관계를 위한 머신러닝(ML) 기반 프레임워크를 제안한다. 제안된 접근법은 온도 이동과 스케일 잔차 투영을 결합하여 소형 시험 데이터를 전체 크기 응답에 정렬함으로써, 전체 연성-취성 천이 영역에 걸친 흡수 에너지 값을 매핑한다. 결과적으로 얻어진 온도-에너지 프로파일에서 쌍곡선 탄젠트 모델로 데이터를 피팅하여 상부 선반 에너지(USE)와 연성-취성 천이 온도(DBTT)의 상관관계 값을 추출한다. 이 프레임워크는 SA533B 강에 대한 389쌍의 소형 및 전체 크기 샤르피 충격 시험으로 구성된 데이터셋을 사용하여 검증된다. 이 머신러닝 기반 접근법은 기존 분석 방법에 비해 향상된 상관관계 성능을 보여주며, USE에 대해 0.942, DBTT에 대해 0.892의 R² 값을 달성한다. 학습된 머신러닝 모델은 추론 시 전체 크기 샤르피 데이터에 대한 접근이 필요하지 않아, 재료 감시 프로그램, 가속 조사 시험 및 소형 샤르피 충격 시험을 포함하는 기타 응용 분야에 적합하다.
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.
인공지능(AI)은 과학적 발견을 변혁하고 있지만, 그 효과는 구조화된 과학 지식의 가용성에 의해 근본적으로 제한된다. 기존 데이터베이스들이 데이터 기반 소재 연구를 가속화해왔음에도 불구하고, 예측 모델링과 역설계에 필요한 지식의 상당 부분은 비구조화된 과학 문헌 속에 묻혀 있다. 우리는 과학 논문을 통합 AI 준비 과학 지식 베이스(Unified AI-Ready Scientific Knowledge Base)로 변환하는 자율 과학 지식 생성 프레임워크를 제안한다. 이 프레임워크는 온톨로지 기반 문헌 획득, 하이브리드 과학 지식 추출, 의미적 조화(semantic harmonization), 지식 융합, 그리고 검증을 단일 워크플로 내에 통합한다. 문헌 검색, 정보 추출, 데이터베이스 구축을 별개의 작업으로 처리하는 대신, 이 프레임워크는 과학 논문을 AI 기반 추론에 적합한 구조화되고 의미적으로 일관성 있으며 출처가 보존된 지식으로 점진적으로 변환한다. 개념 증명으로서, 이 프레임워크를 전기-광학 소재 분야에 적용하였다. 자율 문헌 획득을 통해 다수의 학술 저장소에서 약 1,000편의 논문을 검색하고 검증하였다. 8편의 대표 논문으로 구성된 부분집합을 전체 워크플로로 처리하여 29개의 구조화된 과학 레코드를 생성하였고, 이를 7개의 표준 과학 레코드로 조화하였다. 결과는 정량적 측정값, 운영 조건, 출처, 과학적 맥락을 보존하면서 과학 문헌에서 AI 준비 과학 지식 베이스로의 완전한 변환을 입증한다. 제안된 프레임워크는 예측 AI, 생성 AI, 폐루프 AI 기반 과학적 발견을 위한 확장 가능하고 도메인 독립적인 기반을 제공한다.
그래프 신경망(Graph Neural Network)은 다양한 결정 특성을 빠르고 정확하게 예측하는 강력한 도구로 부상하였다. 이러한 모델들은 그래프 인코딩 모듈에 도메인 특화 지식을 인코딩하는 경우가 많아 매개변수 크기가 증가하고 성능이 도메인 전문 지식에 크게 의존하게 된다. 여기에 더해, 특정 결정 특성에 영향을 미칠 수 있는 모든 화학적·구조적 특징을 GNN 인코더에 명시적으로 통합하는 것은 어려운 과제이다. 본 연구에서는 GNN에 명시적으로 제공되지 않는 특성 예측에 필수적인 잠재 특징을 포착하는 소프트 프롬프트 학습 프레임워크를 제안한다. 노드 수준 및 그래프 수준 소프트 프롬프트를 모두 포함하는 새로운 다단계 그래프 프롬프트 학습 프레임워크를 소개한다. 노드 수준에서는 다양한 원자 유형의 지역적 화학 의미론을 포착하고, 그래프 수준에서는 결정 그래프의 전역적 구조 대칭성을 인코딩한다. 제안하는 프롬프트 학습 프레임워크는 경량화되어 있으며 기존의 모든 GNN 인코더와 원활하게 통합된다. 널리 사용되는 벤치마크 데이터셋에 대한 광범위한 실험을 통해, 프롬프트 학습을 도입하면 결정 특성 예측 태스크에서 최신 GNN 모델의 성능이 3%~15% 유의미하게 향상됨을 확인하였다. 또한, 학습된 소프트 프롬프트는 교차 특성 지식 전이를 가능하게 하여 학습 데이터가 제한된 특성에 대한 예측 성능을 향상시킨다. 코드는 https://github.com/shrimonmuke0202/Prompt.git 에서 공개되어 있다.
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.
VASP Agent는 재사용 가능한 도메인 기술, 결정론적 도구, 런타임 근거, 과학적 안전장치를 결합한 코딩 에이전트 기반 시스템으로, 구조 이완·밴드갭 계산·격자 상수 결정·흡착 에너지 등 다단계 VASP 제일원리 계산을 자율적으로 수행한다. 평가 결과 VASP Agent는 모든 태스크를 완료하였으며, 고정 파이프라인에서 종료를 유발하는 오류도 에이전틱 제어 하에서 진단·복구 가능함을 보였다.
재료 상평형도(phase diagram)는 재료과학의 핵심 지식 표현 체계로, 온도, 조성, 상 안정성, 상변태 경로를 인코딩하며, 완전한 이해를 위해서는 열역학적 메커니즘 분석과 과학적 추론이 요구된다. 비전-언어 모델(VLM)이 과학적 이미지 이해에서 가능성을 보여주고 있지만, 심층적인 메커니즘 해석을 요하는 논리적으로 복잡한 이미지에 대한 체계적 평가는 아직 제한적이며, 상평형도는 이를 위한 도전적인 테스트베드를 제공한다. 우리는 재료 상평형도에 초점을 맞춘 고품질·고신뢰성 복잡 과학 이미지 이해 벤치마크인 MatPhaseBench를 소개한다. MatPhaseBench는 고전 재료과학 학술지의 논문 3,681편으로부터 구축되었으며, 189개의 재료 시스템과 70개의 원소를 포괄하는 200쌍의 고품질 다이어그램-텍스트 쌍이 선정되었다. 이 벤치마크는 세 가지 핵심 특징을 갖는다: (1) 복잡한 과학적 이미지 이해를 목표로—단순 객관식 평가를 넘어 심층적 이해를 요하는 개방형 과제로 구성; (2) 포괄적인 이미지-텍스트 정합—문헌 마이닝 및 매칭 과정에서 이미지와 연관된 의미론적 정보를 완전히 보존; (3) 고품질 인간 감독 텍스트 수집—모든 설명이 엄격한 수동 검증(validation)을 거침. 실험 결과, 현재 VLM은 전문가 수준의 이해에 크게 못 미치는 것으로 나타났다: 표면적 시각 인식에 머무르고, 열역학적 메커니즘에 근거한 심층 추론이 부족하며, 도메인 인식 및 전문가 분석 경험이 제한적이고, 복합 또는 다중 다이어그램 환경에서 세밀한 차이를 구별하는 성능이 낮다. 전반적으로 MatPhaseBench는 도전적인 연구 수준의 벤치마크를 구성하며, 복잡한 과학적 이미지 이해, 상평형도 분석, 그리고 과학 분야에서의 신뢰할 수 있는 멀티모달 AI를 위한 기초 플랫폼을 제공한다.
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.