SHAP-통합 XGBoost로 7만8천여 조성의 유리 형성 규칙을 공통·계통별로 해석

1/ AI 활용 방법: SHAP를 결합한 XGBoost 분류
2/ 적용 과제: 78,889개 조성 데이터의 유리 형성 여부 분류와 지배 인자 해석
3/ 보고된 결과: 전체 데이터에서 89.6% 분류 정확도, 공통 frustration 메커니즘과 조성 이질성의 비선형 임계 거동 시사
4/ 이 연구는 공액, 이온, 금속 네트워크를 포함한 78,889개 조성 데이터를 사용해 유리 형성 여부를 분류하고, 어떤 인자가 시스템별·공통적으로 작동하는지 해석했다.
5/ 방법은 SHAP를 결합한 머신러닝과 XGBoost 분류기였다.
6/ 전체 데이터에서 89.6%의 분류 정확도를 보고했으며, SHAP 분석을 통해 여러 유리군에 공통적인 frustration 메커니즘과 조성 heterogeneity의 비선형 임계 거동을 제안했다.
7/ 재료 연구 관점에서 이 결과는 대규모 조성 데이터와 해석 가능한 분류 모델을 함께 쓰면, 단순 예측을 넘어서 유리 형성 지배 인자를 비교 분석할 수 있음을 보여준다.
8/ 특히 서로 다른 화학 계열을 한 프레임에서 다룬 점은 범용 규칙과 계통별 차이를 동시에 찾는 데 유용하다.
9/ 다만 보고된 성능은 해당 데이터셋과 모델 구성에 한정된다.
10/ SHAP 해석은 인과를 직접 증명하지 않으며, 조성 이질성의 임계 거동 해석도 추가 실험적 검증이 필요하다. [1]