소재·AI 용어 사전

조성 비율로 격자 상수를 1차식으로 근사한다.

수백 개 합금 데이터로 경도를 예측한다.

표 형태의 공정 데이터에서 수율을 예측한다.

실험이 적은 영역에서 예측 불확실성이 크게 나온다.

여러 공정 변수와 물성의 비선형 관계를 학습한다.

원자를 노드, 이웃 관계를 연결로 표현해 물성을 예측한다.

조성 수열이나 논문 문장을 처리하는 모델의 기본 구조로 쓰인다.

수십 개 기술자를 두 축으로 줄여 조성 분포를 살펴본다.

측정 스펙트럼을 유형별로 묶어 시료군을 나눈다.

결정 구조 임베딩을 2차원 지도로 그려 군집을 확인한다.

스펙트럼을 압축해 잠재 표현으로 이상 시료를 찾는다.

잠재 공간을 이동시키며 새로운 조성 후보를 만든다.

잡음에서 시작해 결정 구조 후보를 생성한다.

확산 방정식을 만족하도록 농도 분포를 학습한다.

측정값에서 무차원 수 사이의 관계식을 찾는다.

층 구성과 두께 조합을 진화시켜 목표 반사율을 찾는다.

합성 공정의 순서와 조건 선택을 보상 기준으로 학습한다.

강도와 연성을 함께 고려한 후보 집합을 뽑는다.

메타표면을 이용한 광학 분류기에서 회절 신경망으로 입력 이미지를 직접 처리한다.

결정 구조의 회전 대칭을 보존하면서 전하밀도나 힘을 예측할 때 등변성 그래프 신경망을 쓴다.

결정 구조와 텍스트 설명을 같은 공간에 가깝게 정렬해 재료 표현을 학습한다.

조성이나 구조 특성으로부터 밴드갭 같은 연속 물성을 예측할 때 사용된다.

실험실 A에서 학습한 결함 탐지 모델을 다른 공정 조건의 현장 데이터에 맞추어 보정할 때 쓰인다.

결정구조와 국소 전자기술자를 공동 생성해 재료 후보를 설계할 수 있다.

결정 구조에서 결합각 정보를 반영해 전자구조를 예측할 때 선 그래프 신경망을 사용할 수 있다.

소수의 재료 데이터로 기존 MLIP를 조정할 때 LoRA를 사용해 학습 부담을 낮출 수 있다.

포논과 열·탄성 물성을 같은 ML 포텐셜에서 함께 예측하도록 멀티헤드 미세조정을 적용할 수 있다.

조성 기술자 후보가 많을 때 재귀적 특징 제거로 핵심 변수만 추릴 수 있다.

결정 구조 후보 중에서 가장 안정한 조합을 찾는 문제는 조합최적화로 볼 수 있다.

조성 공간을 넓게 탐색할 때 휴리스틱을 써서 유망 후보를 먼저 골라낸다.

촉매 원자간 포텐셜에 시스템 메타데이터를 조건으로 넣어 서로 다른 반응계를 구분할 수 있다.

분광 특성 예측에서 소규모 데이터의 비선형 관계를 모델링할 때 서포트 벡터 회귀를 사용할 수 있다.

생성형 결정구조 예측에서 구조 벡터장을 학습해 후보 구조를 생성할 때 나타납니다.

분자 구조를 회전하면 예측된 힘 벡터도 같은 방식으로 회전하는 등변성 모델을 쓴다.

LLM 가중치 행렬을 특이값 분해해 저랭크 근사와 미세조정 초기화를 수행할 수 있다.

촉매 후보를 잠재공간에서 탐색하면 새로운 조성 조합을 연속적으로 제안할 수 있다.

잠재공간의 구조를 유지한 채 후보 물질 표현을 변환할 때 직교 변환을 사용할 수 있다.