소재·AI 용어 사전

조성과 공정 조건으로 소재의 강도를 예측한다.

조성별로 측정한 전도도를 정답으로 사용한다.

비슷한 스펙트럼을 가진 시료를 묶는다.

현미경 이미지에서 결함의 특징을 학습한다.

논문에서 합성 조건을 추출한 뒤 원문과 대조한다.

목표 물성에 맞는 결정 구조 후보를 제안한다.

논문 초록을 벡터로 바꾸어 유사한 연구를 찾는다.

학습을 마친 모델로 새 조성의 물성을 예측한다.

여러 원소계로 사전학습한 원자 모델을 특정 합금에 맞춰 미세조정한다.

대규모 DFT 데이터로 학습한 모델을 소수의 실험값으로 조정한다.

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.

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.

예측 밴드갭에 오차 범위를 붙여 후보를 정렬한다.

측정 반복으로 줄지 않는 산포와 미탐색 영역의 불확실성을 나눠 본다.

예측 강도에 90% 구간을 함께 보고한다.

90% 구간에 실제로 90%가 들어가는지 검증 데이터로 확인한다.

온도와 시간 중 어느 조건이 수율을 더 좌우하는지 본다.

공정 변수 5개 중 총 지수가 큰 2개만 정밀 실험 대상으로 남긴다.

입력 오차 분포를 넣고 예측 물성의 분포를 얻는다.

측정 두께 오차가 계산된 전도도 오차로 얼마나 커지는지 본다.

변수를 섞었을 때 오차가 가장 커지는 기술자를 확인한다.

한 조성의 예측 강도가 높게 나온 이유를 변수별 기여로 본다.

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.

같은 원소 조성의 서로 다른 구조를 비교한다.

결정 후보의 에너지를 계산해 안정성을 비교한다.

음수여도 다른 화합물로 분해되는 것이 더 유리할 수 있다.

0에 가까운 후보를 우선 검토하되 합성 가능성과 동일시하지 않는다.

반도체 후보의 전자적 성질을 비교하는 지표로 사용한다.

결정 구조를 대칭에 따라 분류한다.

온도별 원자 확산 거동을 시간에 따라 추적한다.

합금 조성에서 어떤 상이 먼저 생기는지 확인한다.

측정 패턴을 계산 패턴과 비교해 생성된 상을 판정한다.

결정립 크기 분포를 이미지에서 측정해 강도와 연결한다.

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.

메타표면을 이용한 광학 분류기에서 회절 신경망으로 입력 이미지를 직접 처리한다.

폴리머의 서열 표현과 3D 구조를 함께 넣어 물성을 예측한다.

다공성 프레임워크에서 같은 조성이라도 토폴로지가 다르면 전혀 다른 물성을 보일 수 있다.

산소 공공의 결함 토폴로지가 전하 트래핑 거동을 바꿀 수 있다.

광여기된 산화물에서 캐리어 재결합 경로를 비단열 분자동역학으로 추적할 수 있다.

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

연구용 AI 플랫폼의 취약점을 찾으면 버그 바운티 프로그램을 통해 보상을 받을 수 있다.

나노와이어 전도도에서 위상 가시성이 높을수록 Majorana 특징을 더 쉽게 판별할 수 있다.

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

실험 조건을 바꾸면 즉시 결과가 갱신되는 재료 설계 인터페이스에 활용할 수 있다.

소재 공정에서 온도 변화와 장비 동작을 함께 반영한 가상 시뮬레이터를 구성할 수 있다.

자율 실험실 에이전트의 응답 정책을 모델 명세에 맞춰 설계한다.

DFT로 얻은 전하밀도를 학습해 물질의 전자구조 특성을 빠르게 추정할 수 있다.

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

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

자동화 공정 데이터에서 센서 이상값을 제거해 회귀 모델의 성능을 높인다.

무질서 단백질의 구조를 예측할 때 단일 구조 대신 구성 앙상블을 생성한다.

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

나노입자 촉매에서는 서로 다른 활성 자리의 반응 차이를 자리 이질성으로 해석한다.

논문 본문에서 용액 혼합 순서와 열처리 조건을 추출해 실험 프로토콜 데이터베이스를 만든다.

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

조성이나 구조 특성으로부터 밴드갭 같은 연속 물성을 예측할 때 사용된다.

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

재료 공정 조건을 바꿨을 때 미세조직이 어떻게 변할지 가상 시뮬레이션하는 데 쓸 수 있다.

현미경 이미지에서 결함 분포를 해석해 다음 분석 단계를 정할 때 활용한다.

전해질 분자의 확산과 용매화 구조를 빠르게 평가할 때 사용한다.

재료 데이터가 적은 경우, 증거 딥러닝으로 후보 조성의 예측값과 함께 불확실도를 함께 얻을 수 있다.

소재 센서에서 SERS로 낮은 농도의 오염물이나 바이오마커를 검출한다.

민감한 소재 데이터로 대형 모델을 학습할 때 학습 서버를 외부 인터넷과 분리한다.

원자 주변 전자 분포를 직접 다루는 파동함수 근사에서 실공간 표현을 쓴다.

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

나노재료의 3차원 원자 배열을 전자 토모그래피로 복원한 뒤 AI로 보정할 수 있다.

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

실험 데이터 조회 요청만으로 대시보드 화면 초안을 자동 생성할 수 있다.

실내 공기질 측정에서 특정 휘발성 유기화합물 농도를 센서로 추정한다.

가스 센서 배열의 응답 패턴으로 휘발성 유기화합물 종류를 분류할 때 전자코를 사용한다.

결정 구조 원시 입력에서 성질 예측에 유리한 잠재 표현을 학습한다.

추출 공정에서 액-액 상도를 보고 분리가 잘 되는 조성 범위를 찾는다.

민감한 실험 데이터와 자동화 장비는 접근 통제를 통해 허가된 연구자만 사용할 수 있게 한다.

큐비트 배열 모델에서 온사이트 상호작용 세기를 데이터로부터 역추정할 수 있다.

반도체 양자점 배열에서 도트별 온사이트 에너지 편차를 추정할 수 있다.

양자점 큐비트 배열의 전하 안정성 해석에서 허버드 모델 파라미터를 추정할 수 있다.

자율 실험실에 AI를 넣을 때는 모델 정확도와 함께 거버넌스 절차를 설계해야 한다.

재료 문헌 요약 도구에서 탈옥 시도로 금지된 실험 절차를 끌어내려 할 수 있다.

외부 검증팀이 직원급 접근으로 모델의 안전성 테스트를 더 정밀하게 수행한다.

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

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

문헌 요약 에이전트가 웹페이지의 숨은 지시문에 속아 잘못된 결론을 내리지 않도록 막아야 한다.

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

결정구조와 국소 전자기술자를 공동 생성해 재료 후보를 설계할 수 있다.

고정전위 조건에서 표면 흡착 에너지와 반응 장벽을 계산한다.

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

페로브스카이트 태양전지에서는 계면 패시베이션으로 재결합을 줄여 효율과 안정성을 높인다.

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

이중층의 상대적 미끄럼 위치에 따른 에너지 변화를 PES로 나타내어 적층 안정성을 본다.

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

결정 구조 분석에서 회절 패턴 처리 프로그램을 호출해 피크를 찾는다.

빔라인 제어 소프트웨어와 측정 도구를 순차적으로 호출해 초기 실험 절차를 수행한다.

물성 변화의 원인을 구조와 조성의 관계로 설명한다.

복합 코팅에서 입자 분산이 고르지 않으면 이질 조성으로서 물성 편차가 커진다.

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

현미경 영상에서 노이즈를 줄여 미세 구조를 더 선명하게 복원한다.

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

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

재료 분석 파이프라인의 오픈소스 의존성을 배포 전에 취약점 스캐닝으로 점검한다.

대량의 문헌 검색을 반복하는 재료 정보 워크플로에 소형 언어모델을 붙일 수 있다.

후보 자석 구조가 계산상 동역학적으로 안정한지 확인한다.

계면이 있는 산화물의 상 안정성을 원자 시뮬레이션으로 비교한다.

연구자는 AI 도구의 인터페이스를 통해 문헌 검색과 데이터 정리를 더 쉽게 수행한다.

에어로젤이나 복합재의 기공 구조와 전도성 분포를 적층제조로 조절한다.

패시베이션 분자의 결합 특성을 양자 모델링으로 평가해 후보를 줄일 수 있다.

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

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

3D 원자 구조의 가려진 부분을 예측하는 사전학습에 공동 임베딩 예측 구조를 적용할 수 있다.

실험실 자동화 시스템에 모델을 배포할 때는 장비와의 연결 안정성을 함께 점검해야 한다.

SEM 이미지 특징을 군집 분석해 서로 비슷한 미세구조 후보군을 묶는다.

재료 미세조직의 질서변수 장을 예측해 도메인 구조 변화를 분석할 수 있다.

수소가 MOF 기공에 얼마나 강하게 결합하는지 흡착열로 평가한다.

MOF의 수소 저장 후보를 비교할 때 온도별 흡착 등온선을 계산한다.

다공성 MOF의 수소 저장 성능을 평가할 때 가스 흡착 등온선을 계산한다.

소재 추천 시스템에서 특정 제품 광고가 민감한 대화 맥락에 붙지 않도록 점검한다.

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

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

격자 크기가 달라도 phase-field 예측 성능이 유지되도록 설계할 때 중요하다.

phase-field 해의 공간 분포를 빠르게 예측하는 데 쓸 수 있다.

자성 조성 공간에서 후보 수천 개를 빠르게 평가해 유망 조성을 찾는다.

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

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

문헌 검색, 실험 기록 정리, 데이터 입력을 수행하는 연구 보조 도구는 에이전트로 볼 수 있다.

합성 조건을 자동으로 조절하는 로봇 시스템은 나노결정 합성 자동화에 해당한다.

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

재료 데이터 요약용 LLM을 도입할 때 민감 정보 노출과 잘못된 인용을 미리 점검한다.

긴 논문 여러 편과 실험 기록을 한 번에 넣어 재료 합성 조건을 비교할 때 중요하다.

박막 성장 후 두께와 결함 분포를 품질관리 지표로 확인한다.

2D 재료 CVD에서 온도와 가스 유량을 공정 제어로 조절한다.

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

재료 현미경 이미지에서 라벨이 적을 때 먼저 자기지도학습으로 표현을 학습한다.

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

미세조직 역설계에서 잠재공간 샘플링으로 훈련 데이터 밖의 후보 구조를 생성한다.

희토류 도핑 재료에서 발광 스펙트럼과 수명을 예측하는 데 분광 특성을 사용한다.

감염 실험에서 단일세포 프로파일링으로 세포마다 다른 반응을 비교할 수 있다.

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

AI가 문헌과 실험 데이터를 바탕으로 새로운 조성 후보에 대한 가설을 생성했다.

분류 모델이 설명은 그럴듯하지만 실제로는 금지된 특성을 우회해 사용자를 오도하는 경우를 점검한다.

민감한 연구 데이터가 들어간 AI 추론을 보안 실행 환경에서 수행해 접근 위험을 줄인다.

압전 텐서는 결정의 방향에 따라 서로 다른 성분을 가져 텐서 형태로 예측해야 한다.

고분자 유전체 후보를 평가할 때 서브구조별 기술자를 만들어 스크리닝에 활용한다.

강유전체의 분극 상태 변화가 전하 수송 특성에 영향을 준다.

분극 변화에 따라 캐리어 동역학이 달라지는지를 초고속 시뮬레이션으로 분석한다.

광여기 후 재료의 초고속 전하 이동을 비단열 동역학으로 모사한다.

고체-액체 계면 시뮬레이션에서 원자간 포텐셜로 에너지와 힘을 예측한다.

역설계 결과가 공정 제약을 만족하는지 검증 단계에서 확인한다.

생성형 결정구조 예측에서 기존 프로토타입을 제거하면 성능이 급락하는 현상으로 드러납니다.

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

알루미나 계면의 열전달을 분석할 때 포논의 산란과 전달을 함께 고려한다.

계면 열전달에서 포논이 비탄성 산란되면 에너지 전달 경로가 달라질 수 있다.

광여기 결정의 전자 동역학을 빠르게 계산하기 위해 유효 해밀토니안을 학습해 사용할 수 있다.

위상 전이 후보 구간을 먼저 군집화한 뒤 분류기로 Majorana 상태를 구분할 수 있다.

유기 분자결정의 구조 완화와 다형체 순위화처럼 과제별로 벤치마크를 따로 설계한다.

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

분말 중성자 회절에서 자기 확산 산란 패턴을 이용해 상호작용 매개변수를 역추정할 수 있다.

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

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

제한각 토모그래피의 결측 정보를 복원할 때 비지도 딥러닝을 적용할 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.

표면 촉매 반응의 속도 예측을 위해 전이상태 탐색을 수행한다.

흡착, 표면 확산, 결합 형성을 각각 하나의 기초반응으로 다룬다.

촉매 CO2 수소화에서 가능한 elementary reaction을 모아 반응망을 구성한다.

전기촉매 문헌에서 비슷한 기능을 가진 표현을 묶어 같은 후보군으로 연결한다.

Ni 기반 초내열합금에서 공공 형성에너지를 예측해 확산 거동을 비교한다.

촉매 활성 예측에서 어떤 조성 변수와 공정 조건이 중요한지 설명할 때 해석 가능한 머신러닝을 쓴다.

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

나노결정 TEM 분석에서 변형 맵으로 결함 주변의 국부 변형을 본다.

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

실험 절차 예시를 프롬프트에 넣어 장비 조작 순서를 따라 하게 하는 데 인컨텍스트 학습을 쓸 수 있다.

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

합금 조성을 바꿀 때 상 안정성이 낮으면 원하지 않는 석출상 형성이 늘어날 수 있다.

저열팽창 합금을 설계할 때 온도 변화에 따른 선팽창계수를 예측한다.

Invar 합금에서 큐리 온도는 자기-열팽창 상관을 이해할 때 중요한 물성 지표다.

고압 상평형 후보를 찾기 위해 머신러닝 포텐셜로 대규모 구조탐색을 돌린다.

고압 조건에서 미지의 화합물을 찾기 위해 전역 구조탐색을 수행한다.

2차원 자석 후보를 분류할 때 팔면체 결정장 정보를 기술자로 넣을 수 있다.

합금 석출 과정에서 질서-무질서 전이가 초기 상 형성을 좌우한다.

배터리 열화 진단에서 가상 기준전극으로 음극 전위를 추정한다.