위상 인지 E(3)-등변성 학습으로 압전 텐서를 물리적으로 일관되게 예측
위상 정보와 E(3)-등변성을 반영한 학습으로 압전 텐서를 예측한 재료정보학 연구입니다. 기하학적 대칭과 물리 제약을 모델에 넣어 예측의 일관성을 높이는 방향을 보여줍니다.
AI & Materials
AI·소재 이슈
소재 연구와 과학 실험에 AI를 실제로 활용한 사례를 만나보세요.
매일 00·06·12·18시(한국시간)에 웹에서 새 소식을 찾습니다. AI 활용 방법과 결과가 확인된 새 사례만 게시합니다.
알림을 확인하고 있습니다…
해석 가능한 서브구조 기반 스크리닝으로 다중 물성 고분자 유전체 후보를 선별
서브구조 단위의 해석 가능한 스크리닝을 이용해 다중 물성 고분자 유전체 후보를 평가하고, 합리적 설계 규칙으로 정리한 재료정보학 연구입니다. 해석 가능성을 앞세워 후보군을 좁히는 접근이라, 실제 합성·측정으로의 검증이 뒤따라야 합니다.
고체전지 계면 모델링에 머신러닝 상호작용 포텐셜 적용
2026-09-28 게시된 Chemistry of Materials 논문은 고체전지용 머신러닝 상호작용 포텐셜(MLIP)을 이용해 계면과 구조를 원자 수준에서 모델링하고, 관련 원자 시뮬레이션을 가속하는 접근을 다뤘다. 이 방법은 고체전지 인터페이스의 이온 이동, 계면 진화, 열화 메커니즘을 더 큰 규모와 더 높은 정확도로 탐구하는 데 유용한 방향을 제시한다.
해석 가능한 머신러닝으로 알터자성 MOF 후보를 발굴
해석 가능한 머신러닝을 이용해 알터자성 금속-유기 골격체(MOF) 후보를 탐색하고 발굴하는 파이프라인이 보고됐다. 재료 데이터에서 물성 신호와 구조적 단서를 함께 다루는 접근으로, 자성 기능성 MOF 탐색에 재료정보학을 적용한 사례다.
ML 가속 비단열 동역학으로 슬라이딩 강유전체 캐리어 거동 해석
슬라이딩 강유전체에서 분극 제어에 따른 초고속 캐리어 동역학을 ML 가속 비단열 동역학 시뮬레이션으로 분석했다. 이 연구는 머신러닝을 이용해 비단열 동역학 계산을 가속하고, 분극 상태 변화가 캐리어 거동에 미치는 영향을 해석한 사례다.
SoLiD26, 고체-액체 계면용 1,540만 구조 데이터로 MLIP 학습·검증 시연
SoLiD26은 고체-액체 계면을 다룬 first-principles 데이터셋으로 1,540만 구조를 담았고, MACE 계열 MLIP로 학습·검증·테스트 분할에서 적용 가능함을 보였다. 계면 현상을 다루는 원자간 포텐셜 개발에 대규모 기준 데이터를 제공한다는 점이 핵심이다. 다만 데이터셋의 분포와 분할 방식 밖에서의 성능은 별도 확인이 필요하다.
PolyBench26 공개, 고분자 물성 예측용 모델 비교에서 그래프 기반 접근이 우세
PolyBench26이라는 공개 벤치마크가 제시됐고 약 25만 개 데이터포인트로 고분자 물성 예측 모델을 비교했다. 언어모델, 그래프 기반 모델, descriptor 기반 모델을 비교한 결과 graph-based 모델이 가장 낮은 오차와 반복단위 복잡도 증가에 대한 견고성을 보였다. 벤치마크 기반 결과이므로 실제 연구계 데이터 분포가 달라지면 순위가 달라질 수 있다.
SHRAV 프레임워크, 계산 리소그래피 역설계에서 물리 모델링 성능 개선
SHRAV(State-Hypothesis-Reason-Action-Verify) 프레임워크를 물리 모델링과 역설계, 특히 계산 리소그래피 역설계에 적용해 thresholded aerial-image IoU를 0.5313에서 0.8153으로 높였다고 보고했다. 예측과 재현의 최대 절대오차도 약 0.000824로 제시됐다. 다만 단일 사례 성격이어서 다른 재료·장치 문제로의 일반화는 추가 검증이 필요하다.
생성형 결정구조 예측, 프로토타입 의존성에 크게 묶여 있음을 벤치마크가 보여줘
12개 생성형 CSP 모델을 비교한 벤치마크에서 템플릿 retrieval이 top-1 68.3%로 가장 강했고, 많은 생성형 모델이 템플릿 대체와 겹치는 성능을 보였다. 특정 stoichiometric prototype family를 제거하면 정확도가 50–78% 떨어져, 현행 생성형 결정구조 예측이 상당 부분 프로토타입 의존적이라는 점이 드러났다.
LAMMPS용 상호작용 포텐셜 자동 변환 에이전트, 물리 검증까지 수행
에이전틱 워크플로우가 사용자 정의 interatomic potential 방정식을 LAMMPS pair style로 변환하고, 빌드·테스트·수정·검증까지 수행했다. 7개 잠재력/재료쌍에서 단일점 에너지와 힘을 맞췄고, 5개 결정성 벤치마크에서 격자상수·공공형성에너지·탄성상수를 재현했으며, 나노초 규모 시뮬레이션 안정성도 보고됐다.
첫원리 학습 neuroevolution 포텐셜로 Al/Al₂O₃ 계면 비탄성 포논 산란을 분자동역학으로 해석
첫원리 계산으로 학습한 neuroevolution potential을 이용해 Al/Al₂O₃ 계면의 열전달을 비평형 분자동역학으로 모사하고, 온도의존 계면 열전도도와 스펙트럼 분석으로 비탄성 포논 산란을 해석한 연구가 보고됐다. 저온에서 실험 추정값과 잘 맞았고 비탄성 산란의 증거를 제시했다.
SHAP 해석으로 프레임워크 재료의 음의 열팽창 설계 상충관계 규명
해석 가능한 머신러닝과 SHAP을 사용해 프레임워크 재료의 구조 기술자와 음의 열팽창 특성을 분석했다. 큰 음의 열팽창과 넓은 온도 범위 사이의 상충관계를 확인해, 설계 지침이 될 구조-물성 경향을 도출했다.
학습된 Hamiltonian으로 비선형 광응답 시뮬레이션을 가속
비공명 광여기된 결정에서 학습된 single-particle Hamiltonian을 써서 반도체 Bloch 방정식 기반 광응답을 더 효율적으로 모사하는 방법이 보고됐다. 전류밀도와 캐리어 점유율 정확도를 유지하면서 계산 속도를 크게 높였다고 밝혔다.
비지도·지도학습 결합으로 Majorana 위상 분류 도구 제시
Majorana 나노와이어에서 위상적 분기와 전이 위치를 찾기 위해 비지도학습과 지도학습을 함께 쓰는 방법이 제시됐다. 라벨 없는 시뮬레이션 데이터로 Majorana splitting의 위상과 비위상을 구분하고, 실제 실험 해석에 쓸 수 있는 분류 도구 가능성을 보였다.
유기 분자결정용 벤치마크와 해석 가능한 MLIP, AtomBit-OMC 공개
유기 분자결정(OMC)에서 구조 완화, 공결정 복원, 다형체 에너지 순위화, 큰 셀의 OOD 힘·응력 예측을 겨냥한 벤치마크인 OMC-bench와 SE(3)-equivariant MLIP인 AtomBit-OMC가 공개됐다. 공결정 구조 복원 실패율이 가장 낮고 다형체 순위화 성능이 가장 좋았다고 보고됐으며, 가중치 지도로 중요한 공유결합·비공유결합 접촉을 해석했다고 설명했다.