소재·AI 용어 사전

평균 원자 반지름을 조성의 기술자로 사용한다.

소재의 밴드갭을 eV 단위로 예측한다.

시료 이미지를 정상과 결함으로 구분한다.

기존 합금만 잘 맞추고 새 조성에서는 오차가 커진다.

관련 시료는 같은 그룹으로 묶어 평가 정보가 새지 않게 한다.

트리 깊이를 검증 데이터로 선택한다.

다항식 차수를 올리면 편향은 줄지만 분산이 커진다.

데이터를 더 모으는 것이 성능에 도움이 될지 판단한다.

기술자가 많을 때 Lasso로 중요한 항만 남긴다.

재료 AI 모델의 예측 성능을 외부 기관이 다시 검증해 신뢰도를 높일 수 있다.

외부 검증팀이 직원급 접근으로 모델의 안전성 테스트를 더 정밀하게 수행한다.

자율실험실에서 어떤 모델이 어떤 근거로 실험 조건을 추천했는지 기록해 감사 가능성을 확보한다.

새로운 재료 추천 모델은 독립 평가를 통해 과대평가를 줄일 수 있다.

촉매용 MLIP를 새 조성 데이터로 미세조정할 때 이전 촉매 계열의 정확도가 떨어질 수 있다.

자율실험 추천 모델에 극단적 입력을 넣어 잘못된 조건 제안을 유도해 본다.

재료 현미경 이미지에서 라벨이 적을 때 먼저 자기지도학습으로 표현을 학습한다.

역설계 결과가 공정 제약을 만족하는지 검증 단계에서 확인한다.

유기 분자결정의 구조 완화와 다형체 순위화처럼 과제별로 벤치마크를 따로 설계한다.

제한각 토모그래피의 결측 정보를 복원할 때 비지도 딥러닝을 적용할 수 있다.

자율 실험실에서 다음 합성 조건을 추천하고 실험 결과로 다시 모델을 갱신하는 과정이 폐루프 최적화다.