소재·AI 용어 사전

조성과 공정 조건으로 소재의 강도를 예측한다.

조성별로 측정한 전도도를 정답으로 사용한다.

비슷한 스펙트럼을 가진 시료를 묶는다.

현미경 이미지에서 결함의 특징을 학습한다.

논문에서 합성 조건을 추출한 뒤 원문과 대조한다.

목표 물성에 맞는 결정 구조 후보를 제안한다.

논문 초록을 벡터로 바꾸어 유사한 연구를 찾는다.

학습을 마친 모델로 새 조성의 물성을 예측한다.

여러 원소계로 사전학습한 원자 모델을 특정 합금에 맞춰 미세조정한다.

대규모 DFT 데이터로 학습한 모델을 소수의 실험값으로 조정한다.

폴리머의 서열 표현과 3D 구조를 함께 넣어 물성을 예측한다.

연구용 AI 플랫폼의 취약점을 찾으면 버그 바운티 프로그램을 통해 보상을 받을 수 있다.

실험 조건을 바꾸면 즉시 결과가 갱신되는 재료 설계 인터페이스에 활용할 수 있다.

소재 공정에서 온도 변화와 장비 동작을 함께 반영한 가상 시뮬레이터를 구성할 수 있다.

자율 실험실 에이전트의 응답 정책을 모델 명세에 맞춰 설계한다.

재료 공정 조건을 바꿨을 때 미세조직이 어떻게 변할지 가상 시뮬레이션하는 데 쓸 수 있다.

현미경 이미지에서 결함 분포를 해석해 다음 분석 단계를 정할 때 활용한다.

재료 데이터가 적은 경우, 증거 딥러닝으로 후보 조성의 예측값과 함께 불확실도를 함께 얻을 수 있다.

민감한 소재 데이터로 대형 모델을 학습할 때 학습 서버를 외부 인터넷과 분리한다.

실험 데이터 조회 요청만으로 대시보드 화면 초안을 자동 생성할 수 있다.

민감한 실험 데이터와 자동화 장비는 접근 통제를 통해 허가된 연구자만 사용할 수 있게 한다.

자율 실험실에 AI를 넣을 때는 모델 정확도와 함께 거버넌스 절차를 설계해야 한다.

재료 문헌 요약 도구에서 탈옥 시도로 금지된 실험 절차를 끌어내려 할 수 있다.

문헌 요약 에이전트가 웹페이지의 숨은 지시문에 속아 잘못된 결론을 내리지 않도록 막아야 한다.

결정 구조 분석에서 회절 패턴 처리 프로그램을 호출해 피크를 찾는다.

빔라인 제어 소프트웨어와 측정 도구를 순차적으로 호출해 초기 실험 절차를 수행한다.

물성 변화의 원인을 구조와 조성의 관계로 설명한다.

재료 분석 파이프라인의 오픈소스 의존성을 배포 전에 취약점 스캐닝으로 점검한다.

대량의 문헌 검색을 반복하는 재료 정보 워크플로에 소형 언어모델을 붙일 수 있다.

연구자는 AI 도구의 인터페이스를 통해 문헌 검색과 데이터 정리를 더 쉽게 수행한다.

3D 원자 구조의 가려진 부분을 예측하는 사전학습에 공동 임베딩 예측 구조를 적용할 수 있다.

실험실 자동화 시스템에 모델을 배포할 때는 장비와의 연결 안정성을 함께 점검해야 한다.

소재 추천 시스템에서 특정 제품 광고가 민감한 대화 맥락에 붙지 않도록 점검한다.

격자 크기가 달라도 phase-field 예측 성능이 유지되도록 설계할 때 중요하다.

phase-field 해의 공간 분포를 빠르게 예측하는 데 쓸 수 있다.

문헌 검색, 실험 기록 정리, 데이터 입력을 수행하는 연구 보조 도구는 에이전트로 볼 수 있다.

재료 데이터 요약용 LLM을 도입할 때 민감 정보 노출과 잘못된 인용을 미리 점검한다.

긴 논문 여러 편과 실험 기록을 한 번에 넣어 재료 합성 조건을 비교할 때 중요하다.

AI가 문헌과 실험 데이터를 바탕으로 새로운 조성 후보에 대한 가설을 생성했다.

분류 모델이 설명은 그럴듯하지만 실제로는 금지된 특성을 우회해 사용자를 오도하는 경우를 점검한다.

민감한 연구 데이터가 들어간 AI 추론을 보안 실행 환경에서 수행해 접근 위험을 줄인다.

위상 전이 후보 구간을 먼저 군집화한 뒤 분류기로 Majorana 상태를 구분할 수 있다.

촉매 활성 예측에서 어떤 조성 변수와 공정 조건이 중요한지 설명할 때 해석 가능한 머신러닝을 쓴다.

실험 절차 예시를 프롬프트에 넣어 장비 조작 순서를 따라 하게 하는 데 인컨텍스트 학습을 쓸 수 있다.