선형회귀
Linear Regression · 최소제곱 · OLS
입력의 선형 결합으로 출력을 예측하고 잔차 제곱합을 최소화하는 모델.
Materials & AI · glossary
소재·AI 용어 사전
연구와 사례를 읽다가 만난 낯선 용어, 개념부터 가볍게 살펴보세요.
37개 용어
전체 보기예시는 개념 이해를 위한 설명입니다. 실제 연구 결과는 AI·소재 이슈에서 원문과 함께 확인하세요. 엄선한 용어 86개에는 Colab에서 바로 돌려볼 수 있는 실습 노트북이 있습니다. “AI 자동 추가” 표시가 붙은 용어는 새 이슈를 수집할 때 자동으로 추가된 것으로, 아직 사람이 검토하지 않았고 실습 노트북이 없습니다. 노트북의 데이터는 개념 확인용으로 생성한 값이며 실제 측정값이 아닙니다.
랜덤 포레스트
Random Forest · RF
서로 다르게 학습한 결정 트리의 예측을 평균하거나 다수결로 합치는 앙상블 모델.
그래디언트 부스팅
Gradient Boosting · XGBoost · LightGBM
앞선 모델의 잔차를 순차적으로 보완하는 트리를 더해 성능을 높이는 앙상블 방법.
가우시안 프로세스
Gaussian Process · GP · 크리깅 · Kriging
함수 자체에 확률분포를 두어 예측값과 불확실성을 함께 주는 모델.
다층 퍼셉트론
Multilayer Perceptron · MLP · 신경망
선형 변환과 비선형 활성함수를 층으로 쌓아 복잡한 관계를 학습하는 기본 신경망.
그래프 신경망
Graph Neural Network · GNN
노드와 연결로 표현된 데이터에서 관계를 학습하는 신경망.
트랜스포머와 어텐션
Transformer · Attention · 자기어텐션
입력 요소들이 서로를 얼마나 참고할지 학습하는 어텐션 구조 기반 모델.
주성분분석
PCA · Principal Component Analysis
데이터 분산이 큰 방향을 찾아 적은 수의 축으로 데이터를 다시 표현하는 선형 차원축소.
군집화
Clustering · k-means · 계층 군집
유사한 데이터를 그룹으로 묶는 비지도학습 방법.
비선형 차원축소
t-SNE · UMAP · Manifold Learning
고차원 데이터의 국소 이웃 관계를 보존하며 저차원으로 시각화하는 방법. 축의 거리와 크기는 해석에 주의가 필요하다.
오토인코더
Autoencoder · AE
입력을 저차원으로 압축한 뒤 다시 복원하도록 학습해 표현을 얻는 신경망.
변분 오토인코더
Variational Autoencoder · VAE
잠재 공간을 확률분포로 학습해 새로운 표본을 생성할 수 있게 만든 오토인코더.
확산 모델
Diffusion Model · DDPM
데이터에 잡음을 점차 더하는 과정을 역으로 학습해 잡음에서 표본을 생성하는 모델.
물리 정보 신경망
Physics-Informed Neural Network · PINN
지배 방정식이나 경계 조건을 손실 함수에 넣어 물리 제약을 지키게 학습하는 신경망.
기호 회귀
Symbolic Regression
데이터에 맞는 수식 자체를 탐색해 해석 가능한 관계식을 찾는 방법.
유전 알고리즘
Genetic Algorithm · GA · 진화 알고리즘
선택·교차·변이를 반복해 좋은 해를 찾아가는 최적화 방법.
강화학습
Reinforcement Learning · RL
행동에 따른 보상을 반복 경험하며 좋은 정책을 학습하는 방법.
다목적 최적화와 파레토 전선
Multi-objective Optimization · Pareto Front · 파레토 최적
상충하는 여러 목표를 동시에 고려해 더 나빠지지 않고는 개선할 수 없는 해 집합을 찾는 최적화.
회절 신경망
Diffractive Neural Network · D2NN
빛의 회절과 간섭을 이용해 신경망 연산을 물리적으로 구현하는 신경망이다. 전파 과정 자체가 계산층처럼 작동하며, 학습을 통해 광학 구조의 파라미터를 최적화한다.
소재 분야에서 이해하기
메타표면을 이용한 광학 분류기에서 회절 신경망으로 입력 이미지를 직접 처리한다.
등변성 그래프 신경망
Equivariant Graph Neural Network
입력 구조에 특정 대칭 변환을 가했을 때 출력도 그 변환 법칙에 맞게 함께 변하는 그래프 신경망이다. 회전이나 평행이동 같은 물리적 대칭을 반영해 분자·결정 구조의 예측에 적합하다.
소재 분야에서 이해하기
결정 구조의 회전 대칭을 보존하면서 전하밀도나 힘을 예측할 때 등변성 그래프 신경망을 쓴다.
대조학습
Contrastive Learning
비슷한 샘플은 가깝게, 다른 샘플은 멀게 하도록 표현을 학습하는 방법이다. 라벨이 적거나 없는 상황에서도 구조적 관계를 잘 담는 임베딩을 만들 때 자주 쓰인다.
소재 분야에서 이해하기
결정 구조와 텍스트 설명을 같은 공간에 가깝게 정렬해 재료 표현을 학습한다.
머신러닝 회귀
Machine Learning Regression
연속값을 예측하기 위해 입력 변수와 목표값 사이의 함수를 학습하는 지도학습 방법이다. 분류와 달리 값의 크기 자체를 맞추는 것이 목적이다.
소재 분야에서 이해하기
조성이나 구조 특성으로부터 밴드갭 같은 연속 물성을 예측할 때 사용된다.
도메인 적응
Domain Adaptation
한 환경에서 학습한 모델을 다른 분포나 조건의 대상 도메인에 맞게 조정하는 기법이다. 소스 도메인과 타깃 도메인 사이의 분포 차이를 줄이는 것이 핵심이다.
소재 분야에서 이해하기
실험실 A에서 학습한 결함 탐지 모델을 다른 공정 조건의 현장 데이터에 맞추어 보정할 때 쓰인다.
공동 생성
Joint Generation
두 개 이상의 상호 연관된 표현이나 대상 변수를 하나의 생성 과정에서 동시에 만들어내는 방식이다. 변수들 사이의 구조적 상관관계를 함께 반영할 수 있다.
소재 분야에서 이해하기
결정구조와 국소 전자기술자를 공동 생성해 재료 후보를 설계할 수 있다.
선 그래프 신경망
Line Graph Neural Network
그래프의 간선 관계를 다시 노드로 바꿔 학습하는 그래프 신경망이다. 원자-결합-각도처럼 선형 연결 구조가 중요한 물성 문제에서 관계 정보를 더 직접적으로 표현할 수 있다.
소재 분야에서 이해하기
결정 구조에서 결합각 정보를 반영해 전자구조를 예측할 때 선 그래프 신경망을 사용할 수 있다.
저랭크 적응
LoRA · Low-Rank Adaptation
대형 모델의 가중치를 직접 크게 바꾸지 않고, 저랭크 행렬을 추가해 적은 파라미터만 학습하는 미세조정 기법이다. 계산 비용과 메모리 사용을 줄이면서 도메인 적응을 수행할 수 있다.
소재 분야에서 이해하기
소수의 재료 데이터로 기존 MLIP를 조정할 때 LoRA를 사용해 학습 부담을 낮출 수 있다.
멀티헤드 미세조정
Multi-head Fine-tuning
하나의 공통 본체 위에 여러 출력 헤드(head)를 두고, 서로 다른 예측 과제나 물성을 동시에 학습하도록 미세조정하는 방법이다. 과제 간 공유 지식과 특화 예측을 함께 활용할 수 있다.
소재 분야에서 이해하기
포논과 열·탄성 물성을 같은 ML 포텐셜에서 함께 예측하도록 멀티헤드 미세조정을 적용할 수 있다.
재귀적 특징 제거
Recursive Feature Elimination · RFE
모델 성능에 대한 기여도가 낮은 특징을 반복적으로 제거하며 중요한 변수만 남기는 특징 선택 방법이다. 학습 성능과 해석 가능성을 함께 높이기 위해 자주 사용된다.
소재 분야에서 이해하기
조성 기술자 후보가 많을 때 재귀적 특징 제거로 핵심 변수만 추릴 수 있다.
조합최적화
Combinatorial Optimization
유한하거나 이산적인 선택지들의 조합 중에서 목적함수를 최적화하는 문제를 다루는 분야다. 후보 수가 매우 커서 정확해 탐색보다 근사해나 휴리스틱이 자주 쓰인다.
소재 분야에서 이해하기
결정 구조 후보 중에서 가장 안정한 조합을 찾는 문제는 조합최적화로 볼 수 있다.
휴리스틱
Heuristic
복잡한 문제를 빠르게 풀기 위해 사용하는 경험적 규칙이나 탐색 전략이다. 최적해를 보장하지는 않지만 계산 비용을 줄이고 좋은 해를 효율적으로 찾는 데 유용하다.
소재 분야에서 이해하기
조성 공간을 넓게 탐색할 때 휴리스틱을 써서 유망 후보를 먼저 골라낸다.
조건화
Conditioning
모델 입력에 부가 정보를 함께 넣어 예측이나 생성 과정을 그 정보에 맞게 조절하는 방법이다. 메타데이터, 환경 변수, 시스템 특성처럼 맥락 정보를 반영할 때 유용하다.
소재 분야에서 이해하기
촉매 원자간 포텐셜에 시스템 메타데이터를 조건으로 넣어 서로 다른 반응계를 구분할 수 있다.
서포트 벡터 회귀
Support Vector Regression · SVR
서포트 벡터 머신을 회귀 문제로 확장한 방법으로, 오차를 일정 범위 안에서 허용하면서 예측 함수의 복잡도를 제어한다. 비선형 관계는 커널 함수를 통해 표현할 수 있다.
소재 분야에서 이해하기
분광 특성 예측에서 소규모 데이터의 비선형 관계를 모델링할 때 서포트 벡터 회귀를 사용할 수 있다.
플로 매칭
Flow Matching
데이터 분포로 가는 연속적인 벡터장 또는 흐름을 직접 학습하는 생성 모델링 방법입니다. 확률적 노이즈 역추적 대신 변환 경로 자체를 맞추는 데 초점을 둡니다.
소재 분야에서 이해하기
생성형 결정구조 예측에서 구조 벡터장을 학습해 후보 구조를 생성할 때 나타납니다.
등변성
Equivariance
입력에 어떤 변환을 가했을 때, 출력도 그에 대응하는 방식으로 함께 변하는 성질이다. 대칭성을 모델에 반영할 때 중요한 개념이다.
소재 분야에서 이해하기
분자 구조를 회전하면 예측된 힘 벡터도 같은 방식으로 회전하는 등변성 모델을 쓴다.
특이값 분해
Singular Value Decomposition · SVD
임의의 행렬을 직교행렬과 대각행렬의 곱으로 분해하는 선형대수 기법이다. 데이터의 주요 구조를 저차원 성분으로 나누거나 행렬 근사를 만들 때 자주 쓴다.
소재 분야에서 이해하기
LLM 가중치 행렬을 특이값 분해해 저랭크 근사와 미세조정 초기화를 수행할 수 있다.
잠재공간
Latent Space
고차원 데이터를 더 낮은 차원의 연속 공간에 압축해 표현한 공간이다. 생성 모델이나 임베딩에서 데이터의 숨은 구조를 다루는 데 사용된다.
소재 분야에서 이해하기
촉매 후보를 잠재공간에서 탐색하면 새로운 조성 조합을 연속적으로 제안할 수 있다.
직교 변환
Orthogonal Transformation
벡터의 길이와 각도를 보존하는 선형 변환이다. 회전이나 반사를 포함하며, 수치적으로는 표현을 바꾸되 기하학적 구조를 유지하는 데 쓰인다.
소재 분야에서 이해하기
잠재공간의 구조를 유지한 채 후보 물질 표현을 변환할 때 직교 변환을 사용할 수 있다.