AI & Materials
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…
머신러닝 기반 orbital-free surrogate functional을 학습해 전자밀도와 에너지를 동시에 예측하는 방법이 보고됐다. 전하밀도 오차는 기존 OF-DFT보다 한 자릿수(order of magnitude) 줄었고, 에너지 예측은 최신 MLIP와 경쟁적이면서 더 큰 미지 시스템으로의 일반화가 더 좋다고 했다. 전자구조와 포텐셜 예측을 함께 다루는 데 참고할 만하다.
연구진이 분말 중성자 회절의 magnetic diffuse-scattering 데이터에서 자기 상호작용 파라미터를 머신러닝으로 추정했다. 8개 고대칭 격자에서 약 2% 정확도를 보였고, 비선형 최소제곱 최적화에서 자주 생기는 false minima를 피했다고 보고했다. 중성자 산란 기반 자기 모델링과 역문제에 참고할 만하다.
Nature Communications 논문은 memristor 기반 compute-in-memory에서 memristive singular value decomposition(MSVD)과 보정용 SREA를 구현해 이미지 향상, 역학 데이터 재구성, 사용자 확장형 인식, LLM 가중치 분해에 적용했다. LLaMA 3.2-3B에서는 GSM8K와 MATH에서 성능이 향상됐고, 에너지 효율과 속도도 개선됐다.
ACS Catalysis 논문은 reaction condition과 ensemble 정보를 반영한 physics-informed machine learning으로 이원자 ORR 촉매를 스크리닝했다. 추가 DFT 검증에서 Co/Cr, Co/Ag, Co/Ru, Co/Ir, Co/Zn 후보를 확인했고 실험 경향과의 정합성을 보고했다.
Physical Review Applied 연구는 결정장 정보를 반영한 머신러닝으로 2D 자성체의 수직 자기이방성(PMA)을 분류했다. 89% 정확도를 보였고 1만 개 넘는 후보를 스크리닝해 15개의 신규 PMA 물질을 제시했다.
JACS의 2026-09-18 게재 논문은 고분자 반도체의 carrier mobility와 polarity type을 고정밀 데이터로 학습한 머신러닝 모델로 예측하고, 실험적 구현까지 연결했다고 보고했다. 제목과 메타데이터에서 실제 ML 사용이 확인된다.
npj Computational Materials는 제한각 STEM-EDX 토모그래피를 위한 비지도 딥러닝 연구를 2026-09-18에 게재했다. 이 연구는 상변화 메모리 소자의 3D 화학 분석에 적용되는 재구성 및 해석 프레임워크를 제시했다.
npj Computational Materials는 양자 영감 생성 프레임워크를 이용해 이종 촉매의 수소발생반응(HER) 역설계를 다룬 논문을 2026-09-18에 게재했다. 저자들은 VQC에서 착안한 직교 변환을 포함한 생성 모델로 잠재공간 구조를 보존하면서 미지 화학공간 탐색을 개선하는 접근을 제안했다.
표면 반응의 초기·최종 상태를 자동 생성·조합해 전이상태 탐색을 수행하는 워크플로우가 제안됐고, MLIP를 계산기 예시로 써 OC20NEB에서 더 낮은 장벽과 높은 정합성을 보였다.
Cu 촉매의 CO2 수소화 반응망을 반응/반응물 fingerprint 기반 ML 활성화 에너지 예측과 탐색 알고리즘으로 확장해, 9,389개 elementary reaction을 포함하는 미세동역학 모델을 구성했다. 이 접근은 수작업 선별 152개 반응 모델보다 CO2 전환율을 최대 40배 높게 예측했고, 메탄올·CO 형성 경로와 분자간 hydrogen-hopping의 중요성을 제시했다.
Peking University 연구진이 문헌·실험·구조 정보를 함께 다루는 multimodal semantic learning framework와 MatSemNet을 이용해 질산염→암모니아 전기촉매를 데이터 기반으로 탐색했다고 보고했다. 실제 촉매 탐색에 AI를 적용한 사례로, 재료 지식과 실험 신호를 연결해 후보를 찾는 접근이 특징이다.
npj Computational Materials에 실린 연구는 밀도범함수이론 계산과 머신러닝을 결합해 Ni 기반 초내열합금의 vacancy formation energy를 예측했다. Cr, Nb, Ta, Al, Ti 치환이 에너지 분포를 넓히고 표준편차를 최대 0.15 eV까지 키운다고 보고했다.
Nature Machine Intelligence에 2026-09-10 게재된 보고에 따르면, 두 개의 경량 협력 모델을 결합한 멀티에이전트 AI가 결정재료 탐색에서 아이디어 생성, 워크플로 설계·실행, 결과 평가·수정, 후보 제안까지 수행했다. 촉매 설계 사례에서 48시간 내 30,000개 후보 구조와 38개 유망 물질을 선별했다고 보고했다.
CatBoost 기반 해석 가능한 머신러닝으로 4026개의 촉매 실험 데이터를 분석해, 측정 특징에서 직접 활성도 기술자를 학습하고 조성·조건과 활성의 관계를 설명했다. 연구는 범용 feature 해석과 금속별 온도 반응 패턴을 제시해 데이터 기반 촉매 설계에 활용할 수 있는 규칙을 제안했다.
2026-09-14자 preprint는 반응 기질 스코프를 고를 때 성능과 기질 유사성·다양성을 함께 고려하는 ScopeBO를 제안했다. 여러 반응 데이터셋에서 대안 방법보다 유리한 성능이 보고됐지만, 아직 preprint 단계이므로 후속 검증과 실제 합성 맥락에서의 재현성 확인이 필요하다.