해석 가능한 머신러닝으로 알테르자성 MOF 후보 탐색 가속
2026-09-14자 연구는 해석 가능한 머신러닝을 이용해 알테르자성을 보일 수 있는 금속-유기 골격체(MOF) 후보를 빠르게 추려내는 접근을 보고했다. MOF의 자성 특성 예측과 후보 선별에 쓰였으며, 실제 실험 검증 범위와 일반화 가능성은 제목과 목록 정보만으로는 판단할 수 없다.
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…
LLM 파이프라인으로 콘크리트 논문에서 조성·공정·물성 데이터를 자동 추출해 대규모 DB 구축
대형언어모델 기반 파이프라인을 이용해 콘크리트 및 블렌디드 시멘트 논문 텍스트에서 조성, 공정, 물성 속성을 자동 추출·구조화하고 데이터베이스를 구축한 연구가 보고됐다. 최대 F1 0.98과 함께 1시간 내 약 9,000개 레코드, 100개 이상 속성 추출 성과가 제시됐다.
TEM 데이터 분석 자동화한 AI 보조 워크플로우, 재료 지식 추출을 수분 단위로 단축
전자현미경(S/TEM) 이미지에서 세그멘테이션, FFT 피크 탐지, 결정상 식별, 변형 맵 계산, 3D 모델 생성까지 이어지는 AI 보조 워크플로우가 보고됐다. 기존에 전문가가 며칠 걸리던 분석을 수분 단위로 줄였다고 제시해, 재료 현미경 데이터의 처리·해석 자동화에 직접적인 의미가 있다. 다만 개별 시료·장비·이미지 품질에 따른 재현성은 별도 검증이 필요하다.
AI 에이전트가 과학 기기와 로봇 스테이션을 온더잡 학습으로 운영
npj Computational Materials의 2026-09-11 논문은 멀티에이전트 LLM과 인컨텍스트 학습을 사용해 X-ray nanoprobe 빔라인과 재료 설계용 자율 로봇 스테이션 운영을 다뤘다. 복합 계측 워크플로를 조율하고 전문가 피드백을 반영하는 on-the-job 학습 가능성을 평가한 점이 핵심이다.
자율실험실이 균일계 촉매 반응 조건을 베이지안 최적화로 폐루프 탐색
Nature Communications의 2026-09-11 논문은 데이터 기반 균일계 촉매를 위해 자율 실험실을 구축하고, 베이지안 최적화로 리간드와 반응 조건을 폐루프 최적화했다. 360회가 넘는 실험으로 탐색 효율을 높였고, 조건에 따른 선택도 반전과 스케일업 검증도 보고했다.
다중 에이전트 LLM으로 단일원자 촉매 설계, 산소환원반응 후보를 탐색
ACS Central Science에 2026-09-04 게재된 연구는 다중 에이전트 대형언어모델 프레임워크를 써서 단일원자 촉매의 산소환원반응(ORR) 후보를 탐색·설계했다. 역할을 나눈 여러 LLM이 협업해 고성능 후보를 찾는 흐름을 제시했으며, 저자들은 이 체계를 MAESTRO로 소개했다.
능동학습으로 다원계 Invar 합금 후보를 찾아 저열팽창·고 Curie 온도·상안정성 재료 발견
능동학습을 이용해 Invar 다원계 합금의 조성을 탐색하고 후보를 선별해, 낮은 열팽창과 높은 Curie 온도, 우수한 상안정성을 갖는 재료를 발견했다고 보고했다. 재료 탐색에서 능동학습이 후보 공간을 줄이는 데 쓰인 사례로 해석할 수 있다.
고압 Bi 이원계 전역 구조탐색에 MLP 적용, 미보고 화합물 다수 발견
머신러닝 포텐셜을 사용해 11개 Bi 기반 이원계의 0–20 GPa 전역 구조탐색을 수행했고, 여러 미보고 화합물을 찾았다. 기존에 실험적으로 알려진 화합물들도 탐색 공간에서 재현돼, MLP 기반 구조탐색의 견고성과 신뢰성을 뒷받침하는 사례로 제시됐다.
물리 정보가 들어간 ML로 수직 자기이방성 2D 자석 15종 발굴
결정장 정보를 반영한 머신러닝 분류기로 1만 개 이상 후보를 빠르게 거르고, 수직 자기이방성(PMA)을 가진 2차원 자석 15개를 제시했다. 보고된 분류 정확도는 89%였고, 유망 후보로 Ba₂VTe₂S₂가 제안됐다.
Bayesian optimization으로 LEED 기반 표면 재구성 자동화 프레임워크 제시
npj Computational Materials에 실린 연구는 Bayesian optimization을 이용해 저에너지 전자회절(LEED) 데이터로 표면 구조를 자동 재구성하는 방법을 제시했다. 표면 구조 해석을 가속하는 자동화 접근으로 소개됐으며, 세부 정량 결과는 공개 본문 확인 범위에 제한이 있다.
ORNL, AI로 맞춤형 재료 자율 합성 시연
ORNL은 AI가 원자 단위 재료 조립과 합성을 자율적으로 수행한 연구를 공식 소개했다. 발표는 ACS Nano 게재 연구를 바탕으로 하며, 맞춤형 재료 제작을 자동화하는 접근을 보여준다.
층상 재료용 split MLIP, moiré 구조 검증 정확도와 에너지·힘 예측을 크게 개선
층상 van der Waals 재료에서 층내·층간 상호작용을 분리한 split MLIP와 데이터 큐레이션 접근이 제시됐다. 대규모 moiré 구조 예측·검증에서 기존 모델보다 에너지·힘 예측이 약 10배 향상됐고, stackin configuration 분포를 활용한 물리적 검증 지표도 제안됐다.
EPFL 연구진, MLIP로 Mg–Nd 합금 석출 초기 거동과 상전이 경쟁 재현
EPFL 연구진이 머신러닝 원자간 포텐셜(MLIP)을 이용해 Mg–Nd 희석 합금의 고체상 석출 초기 단계와 상전이 경쟁을 대규모 원자 시뮬레이션으로 재현했다. 실험에서 관찰된 복잡한 초기 석출 거동을 모사했으며, 질서-무질서 및 구조 변환의 경쟁과 hcp↔bcc 연속 전이 가능성을 시사했다.
AutoEMX, SEM-EDS 자동화와 머신러닝으로 분말 조성을 고속 정량
Nature Communications에 소개된 AutoEMX는 자동화된 SEM-EDS 워크플로와 머신러닝을 결합해 다상 분말의 입자 형태 아티팩트를 보정하고 개별 조성을 빠르게 정량했다. 연구는 조성 정량 오차를 5~10% 수준으로 낮췄다고 보고했다.
머신러닝 가상 기준전극으로 리튬 도금 위험을 조기 감지하는 배터리 진단 기술
Nature Communications는 machine learning으로 virtual reference electrode를 구축해 표준 셀 신호만으로 음극 전위를 추정하고, 리튬 도금 위험을 감지해 cycle life를 8.25배 늘렸다고 소개했다. 배터리 관리와 안전 진단에 AI를 직접 적용한 사례다.