MS&T 2026 소재 AI 발표 정리
Autonomous Experimentation · AI Agent · High-Throughput Characterization

배경탐색 공간은 방대하고 실험 비용은 높다

• Al 합금에 사용되는 원소는 약 30종이다. 0.1 wt% 격자 기준으로 조성 조합은 약 1.7×10¹⁴개이며, 공정 조건까지 포함하면 약 4.17×10³⁸개에 이른다.
• 실험 1회 비용은 1 kg 기준 약 $1,000으로 전수 탐색은 불가능하다. 연구 목표는 핵심 광물 의존도를 낮춘(critical mineral-lean) 합금의 발굴이다.
• 일반적인 BO는 “조성 입력 → 최종 물성” 전체를 하나의 black box로 취급한다. 따라서 중간 산출물(상평형 계산, 분말 품질, 프린팅 결과)과 단계마다 크게 다른 평가 비용을 활용하지 못한다.

접근 방법공정 체인을 function network로 모델링

• 입력 → CALPHAD 계산 → atomization → 품질 평가 → LPBF(laser powder bed fusion) 프린팅 → 주조·regression 등 약 8단계를 각각 node로 모델링한다. 각 node는 독립적인 surrogate model을 가지며, 앞 단계의 불확실성이 최종 예측까지 전파된다.
• 단계별 평가 비용은 약 $1(시뮬레이션)부터 약 $8,000(실물 제작)까지 차이가 크다. 이를 acquisition function에 반영하여, 매 반복마다 전체 체인을 실행하지 않고 일부 node만 평가할 수 있도록 하였다.
• 이론적 기반은 Astudillo & Frazier의 Bayesian Optimization of Function Networks(BOFN)와, node 일부만 평가하는 cost-aware 후속 연구인 p-KGFN이다. BOFN은 node별 Gaussian process(GP)를 연결하여 최종 출력의 posterior에 대해 expected improvement를 계산한다. p-KGFN은 cost 대비 knowledge gradient로 “어느 node를 어떤 입력으로 평가할지”를 결정한다.
• 실험 하드웨어도 자체 제작하였다. Tilting, stepper motor, rotation으로 분말을 정량 배출하는 저가형 powder dispenser를 개발하였으며, 관련 설계를 Vertical Cloud Lab GitHub에 공개하고 있다(powder-doser, induction furnace, 분말 특성 평가 등).

결과

시사점

• 단계별 비용 차이가 큰 다단계 workflow(DFT → MLIP → 공정 시뮬레이션 → 실험 등)에 그대로 적용할 수 있는 framework이다.
• 비용 절감 배율은 단계별 비용 가정과 benchmark 설정에 크게 좌우된다. Node 수가 늘어날수록 각 node의 uncertainty calibration이 중요해진다.
• 장비와 코드를 공개하며 원격 접속형 cloud lab으로 확장하려는 방향이어서, 외부 협업의 접점이 넓은 그룹이다.

배경DFT는 계산 자체보다 준비와 검토에 손이 많이 간다

• 합금 표면 계산에는 slab model 구성, adsorption site 선택, 계산 조건 설정, 수렴성 확인 등 수작업이 많다.
• 에너지 차이 하나를 구하는 데 slab model 4개가 필요하므로, 용질 원소와 adsorption site 조합이 늘어나면 계산 건수가 급격히 증가한다.
• 산업 현장의 Al 합금 설계는 JMatPro, Thermo-Calc(TCAL) 등 CALPHAD database에 의존한다. Database마다 상 형성 예측이 달라, 어떤 database를 기준으로 조성을 선택할지도 판단이 필요하다.

접근 방법LLM은 판단, 실행은 controller

• LLM agent는 계산 입력을 준비하고 출력을 검토한다. 작업과 session 관리는 Python controller가 담당하여, LLM이 루프 전체를 제어하지 않는 구조이다.
• 계산 기록과 합금 지식을 knowledge graph로 연결하여 결과의 재사용성과 추적성을 확보한다.
• Adsorption site 탐색에는 energy와 force를 활용하는 “BASC”가 언급되었다. 문맥상 potential energy surface에서 최적 흡착 위치를 BO로 탐색하는 Bayesian Active Site Calculator(ICML 2016)로 판단된다.
• 사례 연구로 Al-Mg 표면의 산소 흡착과 charge transfer를 다루었다.

결과

• Al-Mg 표면에서 bridge site 산소는 hollow site 산소보다 더 많은 전자를 받는다.
• 이 효과는 Mg가 인접한 Al-Mg bridge site에서 더 강하게 나타났다. Mg가 표면 산화를 촉진한다는 기존 계산 결과와 같은 경향이다. 위 그림의 선행 연구에서도 Mg 도핑 시 O₂ adsorption energy는 −9.10 eV로, 순수 Al(111)의 −8.52 eV보다 강하였다.
• Agent 자체의 성공률이나 소요 시간 등 정량 지표, knowledge graph schema는 아직 공개되지 않았다.

시사점

• “LLM은 입력 준비와 검토, 실행은 deterministic controller”라는 설계는 최근 VASP Agent 등 해외 사례와 같은 방향이며, 안정성 측면에서 현실적인 선택이다.
• DFT 계산 기록을 CALPHAD 및 실험 데이터와 graph로 연결하는 것은 계산 재사용과 provenance 관리에 유용하다. Schema가 공개되면 다른 소재 knowledge graph와 비교할 가치가 크다.
• 국내 그룹인 만큼 세부 구조와 benchmark는 직접 교류를 통해 확인하기 좋다.

배경LLM은 문제를 재정의하지 못한다

• 연구자는 100번 실패하면 목표나 문제 정의를 의심하지만, LLM은 좁은 경로에 갇혀 같은 방향을 반복하는 경향이 있다.
• Open-ended research에서는 개념적 도약보다 점진적인 결과를 내는 데 그친다. AI agent에게 미발표 연구 과제를 6일간 수행시킨 실험에서도 engineering 작업은 수행했지만 연구 질문 자체는 진전시키지 못했다는 보고가 있다(Kirgis et al. 2026).
• Agent에게 결여된 것은 “scientific context”이다. 측정 신뢰도, 장비 상태(최근 교정 및 downtime), 현재의 가설, 실패한 실험은 연구자의 머릿속에만 존재한다.
• Airflow, Prefect 등의 workflow tool은 무엇을 언제 실행했는지만 기록하고, 어떤 판단에 따라 그 선택을 했는지는 남기지 않는다.

접근 방법Scientific context를 데이터로 만든다

• Guardian apps: 측정 품질과 장비 상태에 대한 전문가 판단을 규칙으로 encoding하여 workflow에 삽입한다.
• SciLedger(발표에서 소개된 명칭): 실험·시뮬레이션 결과가 축적됨에 따라 변하는 “scientific interpretive state”를 기록한다. 기각된 모델, human override, 의견 불일치와 그 해소 근거를 저장한다. 동명의 2022년 blockchain 기반 workflow provenance 시스템(Boise State)과는 별개이다.
• Knowledge card: 전문가의 prior, rule, caveat을 card 형태로 저장하고, database에서 선택하여 campaign을 시작한다.
• Stage graph: 실험·분석·계산 단계를 YAML로 정의한다.
• 적용 사례: piezoresponse force microscopy(PFM)로 강유전 박막에 voltage와 pulse width를 바꿔 가며 domain을 형성하고, 얻어진 polarization map을 NERSC의 phase-field simulation에 입력하여 model parameter를 최적화한 뒤 다음 실험 조건을 정한다.

결과

• 초기에는 gradient term만 최적화하였으나 충분하지 않았고, screening term과 anisotropic strain term을 추가하자 domain 구조의 residual이 크게 감소하였다. 루프를 통해 모델에서 누락된 물리(hidden physics)가 드러난 사례이다.
• Phase response가 180°가 아닌 190°로 측정된 건을 measurement artifact 의심 사례로 기록하고, 검증 후 해소한 과정까지 ledger에 남겼다.
• Agent의 다음 측정 제안은 유용성이 엇갈렸다. Domain wall width 측정 제안은 의미가 없었던 반면, domain growth rate가 가장 빠른 parameter 구간을 측정하자는 제안은 유용하였다.

시사점

• 발표자는 “AI의 기여는 작고 가속은 infrastructure에서 나왔다”고 정리하였다. Autonomous experimentation의 병목은 모델보다 실험–계산 연결과 context 관리에 있다.
• 기각된 가설, human intervention, negative result를 first-class data로 다루면 agent가 같은 실수를 반복하지 않도록 할 수 있다. Knowledge graph 및 ontology 기반 연구 플랫폼에 직접 적용할 수 있는 개념이다.
• 새로운 physics term을 추가하는 문제 재정의는 결국 사람이 수행하였다. LLM의 한계에 대한 논의와 맞닿는 부분이며, 3일 사례는 단일 사례이므로 일반화에는 주의가 필요하다.

배경Open-die forging은 여전히 숙련공의 영역

• Open-die forging(자유단조)은 다품종 소량 생산이 많아 자동화가 어렵고, 공정 순서는 숙련공의 경험에 의존한다.
• Agility Forge는 HAMMER ERC가 개발한 “robotic blacksmith”로, CNC 위치 제어, induction coil, servo press, line scanner, digital twin을 결합하였다. 2025년 2월 이후 tie rod, extruder screw, bolt 등 수십 종의 부품을 제작하였다.
• 현재는 정해진 단계를 순차적으로 반복하는 방식이다. 시뮬레이션 기반 최적화(CMA-ES, 병렬 시뮬레이션 100개)로 공정을 계획하면 수 시간이 소요된다(Daehn, 2026).
• 목표는 중간 형상과 그 사이의 조작(waypoint)으로 공정을 계획하는 모델이지만, 이러한 공정 순서 dataset 자체가 존재하지 않는다.

접근 방법영상 → 구조화된 공정 데이터 → LLM

• Whisper로 음성을 text로 변환하여 조작 단계를 식별하고, 각 단계 전후의 frame을 추출한다. RT-DETR(Real-Time Detection Transformer)로 workpiece를 검출하고 SAM(Segment Anything Model)으로 silhouette을 분할한 뒤, 2D silhouette으로부터 3D 형상을 생성한다.
• “hammer it thinner”, “drawing out”, “reducing the cross section”처럼 장인·학계·산업계가 다르게 부르는 동일한 조작을 operation type, tool, shape change 속성으로 표준화하였다.
• LLM은 QLoRA로 fine-tuning하며, 전체 순서를 한 번에 예측하지 않고 단계적으로 학습시킨다. 다음 조작 예측 → 조작 후 형상 예측 → 두 가지의 결합 → 여러 단계 앞 예측의 순서이다.
• LLM 출력은 별도의 geometry 검증 script로 hallucination 여부를 확인하고, line scanner로 시뮬레이션 형상과 실제 단조품을 중첩 비교한다.

결과

• 현재의 선형 모델로 시뮬레이션한 형상과 실제 단조품의 scan 형상이 잘 일치하는 사례를 제시하였다. 정량 지표는 발표되지 않았다.
• 손가락이 workpiece를 가린 frame에서 3D 형상이 왜곡되는 등 영상 기반 복원의 한계도 함께 보고하였다.
• 향후 타격 위치, 하중, 결과 단면적까지 지정하고, bending·twisting·punching으로 조작을 확장하며, texture 및 recrystallization 모델로 미세조직까지 예측할 계획이다.

시사점

• 구조화된 데이터가 없는 숙련 공정에서 영상·음성·segmentation 모델로 지식을 추출하는 방식은 다른 숙련 공정에도 적용 가능하다.
• 영상에는 하중, 온도, 타격 위치 정보가 없어 모델은 공정 물리보다 “형상 문법”을 학습하게 된다. Agility Forge는 하중·변위·온도 이력을 기록하므로(TMS 2026 abstract), 궁극적으로는 장비 log와의 결합이 필요하다.
• Q&A에서는 교육 목적의 YouTube 영상을 상업용 robot 학습에 활용할 때의 지식재산권 문제가 지적되었다.

배경Scalar 하나로는 발견을 놓친다

• 기존 autonomous experimentation 루프는 spectrum이나 image를 peak position, loop height, coercive voltage, nucleation voltage 같은 scalar descriptor 하나로 압축하여 모델에 입력한다.
• 이 방식에는 세 가지 한계가 있다. Descriptor를 실험 전에 미리 정의해야 하고, 고차원 정보가 손실되며, 적절한 scalar를 정의하기 어려운 데이터도 많다.
• 같은 그룹은 사람이 관심 spectrum을 선택하거나 데이터 품질에 투표하는 human-in-the-loop 방식을 발전시켜 왔으며, DKPL은 그 연장선에 있다.

접근 방법절대 점수 대신 상대 비교

• Neural network가 image patch 등 고차원 입력을 저차원 latent space로 변환하고, 그 위에서 pairwise preference GP가 latent utility function을 학습한다. Network와 GP는 marginal likelihood 최대화를 통해 함께 학습된다.
• 매 반복에서 새로 선택된 두 점을 서로 비교하고, 각 점을 현재 최고 utility 점과도 비교하여 총 3회의 비교를 받는다.
• 실제 판단이 명확하지 않은 경우를 반영하여 두 가지 요소를 추가하였다. 비교마다 confidence(weak · moderate · strong)를 받아 학습 가중치로 사용하고, “두 결과가 비슷하다”는 equal preference(tie) 응답도 허용한다.
• 다음 측정 위치는 UCB(upper confidence bound)로 선택한다. 실제 실험은 같은 그룹의 3D PFM 자동화 플랫폼(Auto-3DPFM)에서 수행하였다.

결과

• Benchmark(PbTiO₃ 박막 BEPS 데이터, loop area를 ground truth 대용으로 사용): baseline은 noise가 많고 domain 구조를 포착하지 못하였다. Confidence만 추가했을 때는 개선이 미미했고, tie 허용이 큰 개선을 가져왔으며, 두 요소를 함께 사용했을 때 a/c domain 대비가 가장 뚜렷하였다.
• Baseline은 signal-to-noise ratio가 낮은 in-plane a domain을 과도하게 sampling한 반면, tie를 허용한 모델은 loop area가 큰 c domain에 sampling이 집중되었다. 발표에 따르면 benchmark의 전문가 판단은 시뮬레이션으로 대체한 것이다.
• PZT(rhombohedral 다결정): 20 round 동안 높은 utility가 71°·109°가 아닌 180° domain wall에 대응하였고, 학습된 모델은 다른 영역에도 transfer되었다.
• ErMnO₃: utility가 domain wall의 tail-to-tail 특성에 따라 순위를 매겼다.

시사점

• Objective function을 정의하기 어려운 탐색 문제에서 실용적인 대안이다. Preference 기반 GP는 BoTorch의 PairwiseGP 등으로 이미 구현되어 있어 적용 장벽이 낮다.
• Confidence weight보다 equal preference 허용의 효과가 컸다는 점은 설계상 중요한 교훈이다. 실제 실험에서 절반 이상의 비교가 tie였다는 결과가 이를 뒷받침한다.
• 결과가 주로 정성적이고, 반복마다 전문가가 3회 비교해야 하며, 학습된 utility가 전문가의 bias를 그대로 반영한다는 한계가 있다.

배경합성 속도를 분석이 따라가지 못한다

• Self-driving lab은 합성 속도를 크게 높였지만, 구조 분석(XRD, electron diffraction)에 사람이 개입하면 루프가 닫히지 않는다.
• Crystal structure prediction(CSP)은 가능한 다형체(polymorph)를 crystal energy landscape로 제시한다. 실제로 어떤 조건에서 어떤 polymorph가 생성되는지는 실험으로 확인해야 한다.
• Single-crystal XRD는 마이크론 이상의 결정이 필요하지만, COF·MOF·의약품 등은 nanocrystalline 분말로만 얻어지는 경우가 많다.
• 장비마다 API와 데이터 형식이 달라 orchestration이 어렵다.

접근 방법측정 → 판독 → escalation의 자동화

• High-throughput XRD: 96·120-well plate를 일괄 측정한다. CSP로 알려진 polymorph 지도를 작성한 뒤, 노력의 80%는 prior를 따르고 20%는 prior에 도전하는 탐색에 배분할 것을 제안하였다.
• 자동 판독 흐름(위 그림): peak가 없으면 amorphous로 저장하고, 데이터 품질이 부족하면 측정 시간이나 광학계를 변경하여 재측정한다. Database에 없는 상은 single-crystal XRD 또는 electron diffraction으로 넘긴다.
• LabLinc Studio: 사용자의 Python orchestration 코드와 장비를 연결하는 RAI(Rigaku Automation Interface), 판정 logic을 포함한 XRD recipe(flow template), robot 및 자동 door, 장비 도입 전 코드를 검증하는 digital twin으로 구성된다. 최소 구성(장비 + API)부터 turnkey 통합까지 단계별로 제공된다.
• Electron diffraction(XtaLAB Synergy-ED): 20–200 nm nanocrystal이 대상이다. 분말을 분쇄하여 grid에 올리면 software가 개별 입자를 찾아 tilt series를 자동 수집하고, unit cell parameter로 clustering하여 polymorph를 분류한다.

결과

• 발표에서 인용한 closed-loop 사례는 Yaghi 그룹의 LFAST(JACS 2026)로 보인다. GPT-4o가 문헌을 분석하여 96-well 합성 조건을 제안하고, high-throughput PXRD의 crystallinity index(저각 peak FWHM의 역수)를 기준으로 다음 batch를 결정하였다. Exploitation:exploration 비율은 60:40에서 80:20, 90:10으로 조정되었다.
  • 신규 COF-2000의 crystallinity index는 4 batch 만에 15.97(+381%)까지 향상되었고, 결정성 well 수는 batch당 20개에서 38개로 증가하였다.
• Rigaku가 참여한 일본 dLab(Institute of Science Tokyo, 도쿄대)은 sputtering, XRD, SEM, Raman 등을 module로 연결하고, 데이터를 일본 표준 XML 형식인 MaiML(JIS K0200)로 저장한다. LiCoO₂(001) 박막의 최적 기판 온도(660 °C)를 BO 14회차에서 찾았다(Digital Discovery 2025).

시사점

• 장비 vendor가 Python API와 digital twin을 공식 제공하면서 closed-loop 구축 비용이 낮아지고 있다. 다만 robot 연동과 시료 준비는 여전히 병목이며, API는 vendor별로 상이하다.
• Crystallinity index는 간편한 reward이지만 목표 상의 생성 여부까지 보장하지는 않는다. Single-crystal XRD와 electron diffraction으로의 escalation 단계가 중요한 이유이다.
• 입자 단위 electron diffraction과 clustering으로 CSP energy landscape를 실제 생성 상과 대조할 수 있게 되었다. 처리량 수치(야간 200 시료 등)는 vendor 발표 기준이다.

배경STM에는 ground truth image가 없다

• Scanning tunneling microscopy(STM)는 원자 분해능을 제공하지만 기계적 진동, 전기적 noise, 1/f noise, scan line artifact, drift에 매우 민감하다. 신호가 약한 영역에서는 관찰 대상인 electron standing wave가 noise에 묻힌다.
• Supervised denoiser는 성능이 우수하지만, 동일 영역의 clean/noisy image pair를 실험적으로 얻는 것은 불가능하다.
• Unsupervised 모델(Noise2Void, GDM)은 줄무늬 일부만 제거하고 물리적 특징은 복원하지 못하며, 불균일한 background 같은 새로운 artifact를 만들기도 한다.

접근 방법물리 시뮬레이션 + parametric noise model

• Clean image: Cu(111)은 결함 2–8개 주변의 surface state standing wave를 Fiete–Heller scattering theory로 계산한다(512×512 Å). Pb(111)용 triangular lattice는 PyBinding tight-binding model에서 kernel polynomial method로 LDOS를 계산한다(lattice constant 0.35 nm).
• Noise 5종: Gaussian(σ 0.01–0.03), row-by-row drift(행당 최대 3 px), paraboloid background(bowl · dome · saddle), 1/f^β flicker(β 1–3), periodic stripe(1–5개). 각 성분에 0–0.1의 random weight를 곱해 clean image에 더한다.
• 모델: supervised 모델인 NAFNet과 Restormer를 unsupervised 모델인 N2V, GDM(N2V + FFT loss)과 비교하였다.
• Hallucination 검증: 0, 5, 15 T에서 측정한 Cu(111) image의 차이를 “subtraction 후 denoising”과 “denoising 후 subtraction” 두 경로로 각각 구해 비교하였다.
• Noise 생성기는 YAML 설정 기반 Python package로 공개되었다(GitHub, MIT license).

결과

• Simulation 데이터로만 학습한 Restormer는 실측 Cu(111)(scan size 300–500 Å)에서 원자, 결함, standing wave를 보존하면서 noise를 제거하였다. 신호가 매우 약한 영역에서도 기저 pattern이 복원되었다.
• Pb(111) 실측 image(20–30 Å)에서도 unsupervised 모델이 남긴 불균일 background 없이 원자 배열을 복원하여, 원자 계수 등 후속 분석이 가능해졌다.
• 자기장 difference image에서 두 경로가 동일한 standing wave pattern을 보여, 모델이 pattern을 생성(hallucination)한 것이 아님을 확인하였다. 다만 denoising이 intensity scale을 변화시키므로 비교는 정성적이다.

시사점

• “물리 기반 clean data + 장비 noise library”로 paired data 부족을 우회하는 sim-to-real 방법론이다. AFM, STEM 등 다른 scanning probe 및 현미경 데이터에도 적용할 수 있다.
• 성능의 상한은 simulator가 결정한다. 단순 금속 표면에는 효과적이지만, surface reconstruction이나 흡착물이 있는 경우 DFT 수준의 image simulation이 필요하다. Noise weight 역시 장비에 fitting한 값이 아닌 수동 설정 범위이다.
• Hallucination 검증은 ground truth 비교가 아닌 consistency check이다. 그럼에도 두 경로 비교는 생성형 복원 결과를 검증하는 간단하고 유효한 방법이다.

배경구조와 물성은 many-to-many 관계

• 기존 deep kernel learning(DKL) 기반 autonomous experiment는 여러 구조 특징으로 하나의 scalar 물성을 예측하는 many-to-one 구조이다.
• 실제 나노 구조(결정립 크기, roughness, 입계 각도 및 개수)와 spectrum 응답(전도도, turn-on voltage, saturation current, hysteresis)은 many-to-many 관계로 얽혀 있다.
• 미리 정한 물성을 최적화하면 sampling이 특정 거동으로 편중되어 예상하지 못한 현상을 놓치게 된다.
• 같은 그룹은 앞서 novelty score 기반 탐색인 INS2ANE(ACS Nanosci. Au 2026)를 발표하였으며, 이번 연구는 이를 구조와 spectrum 두 축으로 확장하였다.

접근 방법Novelty로 측정하고 dual VAE로 해석

• Spectral novelty: 새 IV curve가 기존 측정 curve들과 얼마나 다른지를 계산하여, physical descriptor 대신 DKL의 학습 target으로 사용한다.
• Structural novelty: 아직 측정하지 않은 위치의 topography patch가 기존 patch와 얼마나 다른지를 계산한다.
• 두 score를 gating 방식으로 결합하여 다음 측정 위치를 결정한다. 초기 10점과 autonomous 200 step, 총 210개의 IV curve를 측정하였다.
• Dual VAE: image VAE와 IV VAE를 함께 학습하면서 두 latent space를 정렬하는 loss term을 추가하여, 구조–물성 공유 latent map을 구성한다.
• 시료는 Cs₀.₀₅MA₀.₀₅FA₀.₉₀PbI₃ hybrid perovskite 박막이며, 동일 박막으로 제작한 소자의 효율은 20.38%이다. 측정은 Asylum Cypher AFM에서 AEcroscopy 플랫폼으로 제어하였다.

결과

• 측정 diversity는 초기에 급증한 뒤 약 20 step 이후 감소하였고, 이후 간헐적으로 다시 증가하였다. 이 증가 구간이 새로운 구조 또는 spectrum을 만난 시점이다.
• Dual VAE latent space에서 일부 영역은 구조–IV 상관이 강했고 일부는 약했다. 상관이 약한 영역은 topography 외의 다른 물리적 메커니즘을 시사하는 것으로 해석하였다.
• IV hysteresis는 결정립 내부에서 입계로 갈수록 점진적으로 커졌으며, 다음 세 가지 거동군으로 구분되었다.

Diamond군의 전류 억제는 국소 energy barrier 또는 band misalignment 가능성으로 해석되었으며, 저자들은 기존 문헌에 보고되지 않은 거동이라고 밝혔다.

• 선행 연구 INS2ANE의 benchmark(PbTiO₃ hysteresis loop 10,000개, 200회 반복)에서 novelty 기반 탐색은 physical descriptor 기반보다 낮은 오차(NME 최소값 0.15 vs 0.18)를 보였다. Descriptor 기반 탐색은 후반부에 오히려 0.30까지 악화되었다.

시사점

• Novelty를 surrogate model의 학습 target으로 사용하면 수작업 descriptor 없이 탐색이 가능하다. 측정 후 image–spectrum 상관 분석에 사용한 dual VAE도 재사용성이 높은 도구이다.
• Novelty는 “다른 것”을 찾을 뿐 “의미 있는 것”을 보장하지 않는다. 발표자 역시 “알고리즘은 데이터를 정리할 뿐, 메커니즘 해석은 연구자의 몫”이라고 강조하였다.
• ⑤와 상호 보완적이다. Novelty로 넓게 탐색하고 expert preference로 관심 영역에 집중하는 조합이 자연스럽다.
• Q&A에서는 데이터 200점의 충분성과 latent space 정렬 loss의 구체적 형태에 대한 질문이 있었다. 실험은 단일 run이므로 재현성 확인이 다음 과제이다.