소재·AI 용어 사전

실험과 계산 데이터를 모아 조성–물성 관계를 분석한다.

구성 원소의 전기음성도 평균과 분산을 입력으로 쓴다.

컷오프 반경 안의 이웃을 간선으로 연결해 구조를 표현한다.

학습된 포텐셜로 수천 원자 계의 확산을 계산한다.

높은 유전율이라는 목표를 만족할 후보를 생성한다.

예측이 불확실한 소재를 계산한 뒤 모델에 추가 학습시킨다.

실험 횟수를 아끼며 합성 온도와 조성을 선택한다.

기대 개선이 가장 큰 조성을 다음 실험으로 고른다.

DFT를 매번 수행하는 대신 물성 예측 모델로 후보를 좁힌다.

예측 모델로 1만 후보를 100개로 줄인 뒤 계산과 실험을 한다.

새 실험 결과에 따라 다음 조성 제안을 바꾼다.

로봇 합성 결과를 AI가 분석해 다음 실험 조건을 정한다.

합성 온도 표현을 표준 단위로 정리해 데이터셋을 만든다.

재료 후보 분자에서 치환기 하나를 바꿨을 때 전하 이동성 변화가 얼마나 큰지 비교할 때 쓸 수 있다.

대규모 계산 자원을 전력망 상황에 맞춰 조정하는 데이터센터 운영에서 수요반응 개념이 중요하다.

촉매 표면의 전체 경향과 개별 활성 자리의 차이를 계층형 머신러닝으로 함께 모델링할 수 있다.

표면 촉매 구조와 분광 신호를 함께 해석하는 계산 파이프라인을 구성할 때 사용된다.

전해질 분자의 확산과 용매화 구조를 빠르게 평가할 때 사용한다.

결정 구조 복원에서 원자 간 거리나 시료 대칭성을 물리 제약으로 넣을 수 있다.

결정구조를 원자 단위 대신 모티프 조합으로 표현해 새로운 구조를 생성할 때 사용된다.

결정 구조 원시 입력에서 성질 예측에 유리한 잠재 표현을 학습한다.

재료 역설계에서 원자 주변의 국소 전자 기술자를 함께 생성해 물성을 반영할 수 있다.

고체전해질 계면에서 이온 이동 장벽을 계산할 때 머신러닝 보조 분자동역학을 적용할 수 있다.

폴리머 조성의 반복 단위와 치환기 정보를 조각으로 나눠 물성 예측 입력으로 쓴다.

현미경 영상에서 노이즈를 줄여 미세 구조를 더 선명하게 복원한다.

X선 산란 실험에서 지능형 검출기가 이상 신호를 즉시 감지해 측정 시간을 조정할 수 있다.

페로브스카이트 태양전지에서 후보 분자 탐색과 공정 최적화를 하나의 폐루프 프레임워크로 묶을 수 있다.

계면 장벽이 큰 복합재 후보를 우선 실험하도록 물리 유도 능동학습을 설계할 수 있다.

고분자 유전체 후보를 반복단위와 작용기 같은 서브구조로 나눠 스크리닝할 수 있다.

박막 성장 후 두께와 결함 분포를 품질관리 지표로 확인한다.

2D 재료 CVD에서 온도와 가스 유량을 공정 제어로 조절한다.

미세구조 설계에서 계면과 결정학 제약을 손실 함수에 넣어 실현 가능한 구조를 유도한다.

미세조직 역설계에서 잠재공간 샘플링으로 훈련 데이터 밖의 후보 구조를 생성한다.

생성형 결정구조 예측에서 기존 프로토타입을 제거하면 성능이 급락하는 현상으로 드러납니다.

촉매 스크리닝에서 반응 메커니즘 제약을 손실함수에 넣어 비현실적인 후보를 줄일 수 있다.

전기촉매 문헌에서 비슷한 기능을 가진 표현을 묶어 같은 후보군으로 연결한다.

재료 논문에서 조성, 공정 조건, 물성 값을 자동으로 추출해 데이터셋을 만든다.

고압 상평형 후보를 찾기 위해 머신러닝 포텐셜로 대규모 구조탐색을 돌린다.

배터리 열화 진단에서 가상 기준전극으로 음극 전위를 추정한다.