소재·AI 용어 사전

시험 데이터는 최종 보고 전까지 사용하지 않는다.

전체 데이터로 스케일링을 먼저 하면 시험 데이터 정보가 새어든다.

온도(℃)와 시간(h)의 크기 차이를 없애고 학습한다.

결함 시료가 2%뿐이면 전부 정상이라 답해도 정확도 98%가 된다.

RMSE는 큰 오차에 더 민감하므로 MAE와 함께 본다.

결함을 놓치지 않는 것이 중요하면 재현율을 우선한다.

한 번에 한 변수만 바꾸는 대신 요인 설계로 상호작용을 확인한다.

5개 공정 변수 공간을 20점으로 고르게 탐색한다.

학습에 없던 원소가 든 조성의 예측은 참고용으로만 쓴다.

측정 조건과 단위를 표준 항목으로 기록해 공개한다.

후보 조성의 계산 물성을 먼저 조회해 실험 대상을 좁힌다.

소재·공정·물성의 관계를 정의해 서로 다른 실험실의 데이터를 같은 항목으로 합친다.

같은 물성을 서로 다른 이름으로 기록한 데이터셋을 표준 개념으로 정렬한다.

조성–공정–물성–문헌을 연결해 특정 물성을 낸 공정 경로를 추적한다.

"이 원소를 포함하고 특정 공정을 거친 시료"를 관계 경로로 한 번에 찾는다.

자체 모델을 공개 분할 기준으로 기존 결과와 비교한다.

자동화 공정 데이터에서 센서 이상값을 제거해 회귀 모델의 성능을 높인다.

전자빔 측정에서 실시간 데이터 분석으로 품질이 낮은 스캔을 바로 제외할 수 있다.

SEM 이미지 특징을 군집 분석해 서로 비슷한 미세구조 후보군을 묶는다.

합성 조건을 자동으로 조절하는 로봇 시스템은 나노결정 합성 자동화에 해당한다.

감염 실험에서 단일세포 프로파일링으로 세포마다 다른 반응을 비교할 수 있다.

TEM 이미지에서 입자, 결함, 계면을 구분해 자동 측정에 사용한다.