기능성 열전 복합재 설계에서 물리 유도 능동학습과 XGBoost 스크리닝을 결합

1/ AI 활용 방법: Bayesian optimization과 XGBoost 회귀, RFE를 결합한 physics-guided active learning
2/ 적용 과제: 문헌 기반 데이터로 인터페이스 장벽을 예측하고 후보 복합계를 선별한 뒤 합성·실험 검증
3/ 보고된 결과: 테스트 R² 0.87, PEDOT:PSS/EGaIn에서 0.24 eV 장벽과 25 K에서 8.80 mV 개방전압 보고
4/ 이 연구는 유연 열전 복합재의 에너지 필터링 설계를 위해 physics-guided active learning을 사용했다.
5/ 문헌 기반 데이터를 바탕으로 인터페이스 장벽을 예측하는 과정에서 Bayesian optimization, XGBoost 회귀, 재귀적 특징 제거(RFE)를 결합해 후보를 좁혔다.
6/ 보고된 결과로는 테스트 세트에서 R² 0.87이 제시됐고, 선별된 5개 후보 복합계 가운데 PEDOT:PSS/EGaIn 시스템은 예측값에 가까운 0.24 eV 장벽과 25 K 온도구배에서 8.80 mV 개방전압을 보였다.
7/ 이는 예측-선별-합성-실험 검증이 연결된 능동학습형 재료 설계 사례로 볼 수 있다.
8/ 재료 연구에의 의미는 문헌 데이터와 물리적 직관을 함께 써서 후보 공간을 줄이고, 실험 비용이 큰 조합을 먼저 검증할 수 있다는 점에 있다.
9/ 다만 문헌 데이터의 편향, 소량 후보 검증, 그리고 특정 계면 조합에 맞춘 튜닝 때문에 다른 재료계로의 일반화는 별도 확인이 필요하다. [1]