AI in Inverse Material Design

• Paper: AI-driven inverse design of materials: Past, present and future

Abstract

이 논문은 인공지능 기반의 재료 역설계 분야에 대한 포괄적인 개요를 제공합니다. 전통적인 실험 기반 및 계산 기반 재료 발견 방법의 발전 과정과 한계점을 살펴보고, 그래프 신경망(GNNs) 및 생성 모델을 비롯한 최신 AI 기술이 어떻게 재료 구조와 특성 간의 숨겨진 연관성을 효율적으로 밝혀내고 기능성 재료의 역설계를 가속화하는지 논의합니다. 특히, 초전도체, 자기, 열전, 탄소 기반 나노, 2차원, 광전, 촉매, 고엔트로피 합금 및 다공성 재료와 같은 다양한 재료 범주에서의 AI 응용을 자세히 설명합니다. 또한, 대규모 언어 모델(LLMs)의 잠재력과 미래 연구 방향 및 남은 과제에 대해서도 논의합니다.

Multimodal LLM for Inverse Molecular Design with Retrosynthetic Planning

신소재 발견 및 설계 가속화

인공지능(AI)은 신소재의 발견 및 설계를 혁신적으로 가속화하고 있습니다. 첨단 소재는 현대 정보 사회의 초석이며 기술 발전과 산업 확장의 핵심 촉매 역할을 합니다. 전통적인 소재 발견 방법은 종종 너무 느리고 노동 집약적이어서 기술 혁신 속도를 따라잡기 어렵습니다.

AI는 다음과 같은 다양한 방식으로 소재 발견 및 설계를 가속화하고 있습니다.

1. 패러다임 전환: 소재 과학은 빅데이터 시대의 도래와 함께 AI 중심 패러다임으로 전환되었습니다. 실험 기반 또는 이론 기반 패러다임은 주로 많은 실험이나 이론 모델을 기반으로 새로운 기능성 소재를 발견하는 것을 목표로 하는 반면, 최신 AI 기반 방법은 소재 기능과 결정 구조 간의 숨겨진 매핑을 구축하는 데 집중합니다. AI는 소재 특성과 구조 간의 암묵적인 연관성을 효과적으로 특성화하여 기능성 소재의 역설계(inverse design)를 위한 효율적인 패러다임을 열었습니다.

2. AI의 능력: AI는 데이터에서 패턴을 식별하고, 소재 특성을 예측하며, 복잡한 소재 구성을 최적화하는 데 상당한 잠재력을 보여주었습니다. 방대한 실험 데이터와 계산 시뮬레이션 결과를 검토하여 AI 모델은 소재 특성과 그 기반 결정 구조 간의 복잡한 상관관계를 밝혀냅니다. 이러한 데이터 기반 전략은 예측의 정확성을 높일 뿐만 아니라 소재 개발 주기를 상당히 단축시킵니다.

3. 다양한 소재에 대한 응용: AI는 초전도 소재, 자기 소재, 열전 소재, 탄소 기반 나노 소재, 2D 소재, 광전 소재, 촉매 소재, 고엔트로피 합금 및 다공성 소재를 포함한 여러 주요 기능성 소재 분야에 적용되고 있습니다. AI 기반 접근 방식은 이러한 다양한 범주의 소재에서 식별, 설계 및 특성 예측을 최적화하는 데 활용됩니다.

4. 구체적인 적용 예시:
   • 초전도 소재: AI는 Debye 온도, Fermi 준위에서의 전자 상태 밀도, 임계 온도(Tc)와 같은 주요 물리적 특성을 예측하여 초전도체 발견을 가속화하는 데 사용되었습니다. 예를 들어, ALIGNN 모델은 다양한 압력 조건에서 수소화물 초전도체의 Tc를 예측하는 데 사용되어 MgB2(39K)보다 높은 Tc를 가진 122개의 동적으로 안정적인 구조를 발견했습니다. 또한, AI는 실험적 피드백과 통합된 폐쇄 루프 기계 학습 접근 방식에서도 사용되어 초전도 소재 발견을 가속화합니다.
   • 탄소 기반 나노 소재: AI는 탄소 나노 소재 성장을 시뮬레이션하고, 물리적 특성을 예측하며, 생체 적합성을 예측하는 데 사용됩니다.
   • 2D 소재: AI는 2D 소재 데이터베이스 구축, 2D 위상 절연체 및 van der Waals 이종 구조 발견에 기여합니다. 또한 AI는 실험 과정에 통합되어 CVD(화학기상증착) 매개변수를 제어하고 새로운 소재 합성 가능성을 예측함으로써 실험자를 지원합니다. AI는 전통적인 계산 방법 없이 2D 소재의 특성을 직접 예측하고 분류하는 데 사용될 수 있습니다. 또한, NLP 기술을 사용하여 출판물에서 흥미로운 특성을 가진 결정을 자동으로 추출할 수 있습니다.
   • 다공성 소재: 다공성 소재의 역설계를 위해 AI, 특히 적대적 생성 네트워크(GAN) 및 디퓨전 모델이 사용되어 결정질 다공성 소재(예: 제올라이트, MOFs)를 생성하는 데 활용됩니다.

5. 핵심 AI 방법론: 이 분야에서는 기계 학습(ML) 및 딥 러닝(DL), 생성 모델 및 판별 모델, Transformer 아키텍처 기반 모델, 디퓨전 모델, 그래픽 표현에 장점이 있는 그래프 신경망(GNN), 대규모 언어 모델(LLM) 등 다양한 AI 기술이 활용됩니다. ALIGNN, SchNet, DimeNet, SphereNet, DiffCSP/DiffCSP++ 등 특정 모델들이 소개됩니다.

6. 가속화된 프로세스: 데이터 기반 방법을 향한 전환은 현대의 첨단 계산 방법을 사용하여 목표 기능성 소재를 설계하는 데 있어 중요한 도약입니다. AI 방법은 결정 구조와 특성 간의 숨겨진 상관관계를 밝혀내어 새로운 기능성 소재를 효율적으로 생성하고 선별함으로써 소재 발견 속도를 높일 수 있습니다. AI 중심 역설계의 일반적인 프로세스는 AI 기반 이론적 계산(소재 설계 및 생성, 고처리량 스크리닝, 계산 모델링)과 실험 검증으로 나뉩니다.

AI는 재료 과학 분야의 급속한 발전을 가속화하는 핵심 동인이 되었으며, 기존 방법의 한계를 극복하고 새로운 소재를 보다 빠르고 효율적으로 발견하고 설계할 수 있도록 합니다. 미래에는 AI 알고리즘을 소재 설계 워크플로우의 각 단계에 깊이 통합하여 모든 단계를 가속화하고 소재 역설계에서 AI의 변혁적인 잠재력을 완전히 실현하는 것을 목표로 합니다.

Inverse Design

재료 과학에서 역설계(inverse design)는 새로운 소재를 발견하고 설계하는 중요한 접근 방식입니다.

전통적인 방식이 기존 소재의 특성을 분석하거나 알려진 이론을 기반으로 새로운 소재를 탐색했다면, 역설계는 이와는 다릅니다. 자료에서는 현대 재료 과학이 데이터 기반의 AI 중심 패러다임으로 전환되었음을 강조하며, 이 패러다임은 소재의 기능과 결정 구조 사이의 숨겨진 매핑을 구축하는 데 초점을 맞춘다고 설명합니다. 이러한 AI 기반 접근 방식은 기능성 소재의 역설계를 위한 효율적인 패러다임을 가능하게 합니다. AI는 소재 특성과 구조 간의 복잡한 상관관계를 밝혀내어, 원하는 기능을 가진 소재 구조를 효율적으로 생성하고 선별함으로써 소재 발견 속도를 높일 수 있습니다.

AI 기반 소재 역설계의 일반적인 과정은 두 가지 주요 부분으로 나뉩니다:

1. AI 기반 이론적 계산 및 시뮬레이션: 이 부분은 전적으로 AI에 의해 수행될 수 있습니다. 여기에는 다음 단계들이 포함됩니다:
   • 소재 설계 및 생성: 원하는 특성을 가진 새로운 소재 후보를 설계하고 생성합니다. 조건부 생성 모델이나 생성 모델 등이 활용됩니다.
   • 고처리량 스크리닝 (High-throughput Screening): 생성된 많은 소재 후보 중에서 원하는 특성을 가질 가능성이 높은 후보들을 빠르게 선별합니다. AI 스크리닝 기술이나 LLM (대규모 언어 모델)을 활용한 순위 지정 등이 포함될 수 있습니다.
   • 계산 모델링: 선별된 후보들의 특성 및 안정성을 예측하고 검증하기 위한 계산 시뮬레이션을 수행합니다. AI 기반 DFT (밀도범함수 이론) 계산 가속화, AI를 통한 소재 특성 예측, 기계 학습 기반 원자간 포텐셜 사용 등이 예시입니다.
2. 실험 검증: 이론적 계산을 통해 유망한 것으로 판단된 소재 후보를 실제로 합성하고 특성을 측정하여 검증하는 단계입니다. 여기에는 실험적 합성 및 테스트가 포함됩니다.

AI 기반 역설계는 기존 방법의 한계를 극복하고 새로운 소재를 더욱 빠르고 효율적으로 발견 및 설계할 수 있도록 하여, 재료 과학 분야의 발전을 크게 가속화하고 있습니다. 이는 소재 혁신의 핵심 동인으로 간주되며, AI 알고리즘을 소재 설계 워크플로우 전반에 통합하여 모든 단계를 가속화하는 것을 목표로 합니다.

BCS 이론(BCS theory)

BCS 이론(BCS theory)은 재료 과학 분야, 특히 초전도 현상을 설명하는 데 사용되는 중요한 이론적 틀입니다.

구체적으로 자료에서 BCS 이론이 설명하거나 관련되는 내용은 다음과 같습니다.

• 초전도 메커니즘: BCS 이론은 특정 유형의 고온 초전도체에 대해 초전도 메커니즘이 잘 이해되는 확립된 이론적 틀로 제시됩니다. AI 모델이 고처리량 밀도범함수 이론(DFT) 계산과 결합하여 새로운 고온 초전도체를 발견하는 과정에서, 이러한 초전도 메커니즘은 BCS 이론의 틀 안에서 잘 이해되는 것으로 언급됩니다.
• 임계 온도(Tc) 예측과의 연관성: AI를 활용하여 초전도체 발견을 가속화할 때, BCS 이론과 관련된 계산 및 공식이 활용됩니다. 예를 들어, ALIGNN과 같은 그래프 신경망(GNN) 모델로 페르미 준위에서의 전자 상태 밀도(DOS), 데바이 온도(Debye temperature) 등 초전도체의 주요 물리적 특성을 예측한 후, 전자-포논 결합 계산과 결합하여 McMillan-Allen-Dynes 공식(BCS 기반 공식)을 사용하여 임계 온도(Tc)를 식별하는 데 사용됩니다. 이는 BCS 이론이 Tc 예측 및 초전도체 설계 과정에서 중요한 계산적 기반을 제공함을 보여줍니다.
• 기본 개념: BCS 이론은 Bardeen, Cooper, Schrieffer의 초기 연구와 관련이 있으며, 이 연구들은 초전도 현상 자체, 마이스너 효과(Meissner effect), 그리고 전자 쌍(Cooper pairs)의 형성과 같은 초전도의 근본적인 개념들을 다루고 있습니다.

자료는 또한 대부분의 고온 초전도체의 초전도 메커니즘은 아직 불분명하며, 이러한 물질들은 BCS 이론으로는 잘 설명되지 않는 비전통적인 초전도체로 간주된다는 점을 명확히 합니다. 따라서 BCS 이론은 모든 초전도체를 설명하는 만능 이론은 아니지만, 여전히 많은 유형의 초전도체, 특히 메커니즘이 잘 이해된 경우의 초전도 메커니즘과 특성을 이해하고 예측하는 데 중요한 역할을 합니다.

재료 과학에서 AI 기술의 발전 및 적용 방향

재료 과학에서 AI 기술의 발전 및 적용은 신소재의 역설계(inverse design) 프로세스를 혁신적으로 가속화하는 방향으로 나아가고 있으며, 이는 향후 연구의 핵심 동인이 될 것입니다. AI는 신소재 역설계 워크플로우의 모든 단계에 깊이 통합되어 각 단계를 가속화하는 것을 목표로 합니다.

주요 미래 발전 및 적용 방향은 다음과 같은 핵심 단계에 걸쳐 있습니다:

1. 신소재 설계 및 생성 (Design and Generation of New Materials)
   • 현재 생성 모델은 복잡한 소재 설계 요구사항을 충족하는 데 제약이 있어 이를 극복해야 합니다.
   • AI가 생성한 소재 구조가 안정적인 바닥 상태가 아닌 경우가 많으므로, 이를 해결하기 위한 생성 모델 개선이 필요합니다. AI 기반 구조 완화(structural relaxation) 기술의 발전이 예상됩니다.
   • 화학 조성을 기반으로 소재를 생성하는 기능이 실험 과학에서 자주 필요함에도 불구하고 현재 이러한 모델은 부족한 상황입니다. 대규모 언어 모델(LLMs)이 이러한 기능을 제공할 수 있을 것으로 기대됩니다.
   • 부분적으로 알려진 구조 또는 화학식을 입력으로 받아 완전한 구조 또는 화학식을 생성하는 조건부 생성(conditional generation) 방법 개발이 필요합니다 (예: 이종 구조). DiffCSP++와 같은 공간 그룹 패밀리 기반 생성 알고리즘은 실현되었지만, 공간 그룹 번호를 직접 제어하는 알고리즘은 개발되지 않았습니다.
   • 결정질 외 비정질 형태의 소재를 위한 생성 알고리즘 개발도 필요합니다.
   • 다양한 기능성 소재에 특화된 생성 AI 알고리즘 개발이 필요합니다.
   • AI 생성 모델의 성능을 평가하기 위한 더 공정한 벤치마크 및 적절한 데이터셋 공개가 필수적입니다.
2. 고처리량 스크리닝 (High-throughput Screening)
   • 기능성 소재의 고처리량 스크리닝에서 소재 분류 및 특성 예측, 특히 복잡한 특성(예: 열전도도, 제베크 계수, ZT 값) 처리의 정확도 측면에서 상당한 격차가 남아 있습니다.
   • 액티브 러닝(Active Learning) 전략을 통해 효율적인 스크리닝을 목표로 합니다. 현재 액티브 러닝은 DFT 또는 기타 검증 방법을 필요로 하며 수동 검증이 필요하지만, 이러한 단계를 자동화하면 결정 탐색 효율성을 크게 향상시킬 수 있습니다.
   • 미래의 LLMs는 자연어 임베딩과 같은 프레임워크를 통해 재료 추천, 순위 지정, 구조 설계 발전에 유망합니다.
   • AI는 형성 에너지, 밴드 갭, DOS, Tc, 초전도성 등 다양한 소재 특성을 예측하는 데 더욱 활용될 것입니다.
3. 계산 모델링 (Computational Modeling for the Validation of Candidate Materials)
   • 재료 계산의 대부분은 DFT(밀도 범함수 이론)에 기반하지만, 교환-상관 항과 같은 복잡성 때문에 모든 재료를 포괄하는 데 제약이 있습니다. 따라서 계산 품질 향상을 위한 새로운 계산 방법 개발 경향이 있습니다.
   • AI와 ab initio 계산의 결합이 인기 있고 유망한 연구 방향입니다. 연구자들은 AI를 활용하여 전자-포논 결합(EPC), 포논 스펙트럼 등 복잡한 항을 예측하고 있습니다.
   • 기존 Kohn-Sham DFT를 넘어서는 대체 DFT 버전을 최적화하기 위해 AI를 활용하는 유망한 방향도 있습니다.
   • ML 기술을 활용하여 재료의 해밀토니안(Hamiltonian)을 연구하고 ab initio 계산을 수행하는 DeepH, HamGNN과 같은 방법은 매우 효율적이고 정확도가 높으며, 앞으로 더 많은 연구와 응용이 기대됩니다.
   • AI 통합을 통해 DFT 검증 프로세스 속도를 높이는 것이 목표입니다.
4. 실험 검증 및 AI 기반 실험 (Experimental Synthesis and AI-guided Experimentation)
   • 이론적으로 발견된 많은 신소재는 실제 실험 검증이 절실히 필요하지만, 실험 진행 속도가 느린 것이 과제입니다.
   • AI 지원 실험 절차를 통해 2D 박막 재료 합성과 같은 과정을 자동 제어하여 속도를 높일 수 있습니다.
   • 머신 러닝과 실험적 피드백을 통합하는 폐쇄 루프 머신 러닝(Closed-loop ML) 접근 방식은 초전도 소재 발견을 가속화하는 데 사용되었습니다.
   • 미래의 AI 기반 실험은 대규모 합성 공정에 대한 적응성 및 확장성 향상, 실험 설정의 실시간 데이터를 통합하여 예측 모델을 동적으로 조정하는 데 중점을 둘 것입니다.
   • AI 기반 실험 계획은 도핑, 변형 및 나노 구조 설계와 같은 매개변수의 영향을 효율적으로 테스트하는 데 중요합니다.
   • ML 모델을 로봇 실험 시스템과 같은 자동화 플랫폼과 통합하여 복잡한 매개변수 공간을 보다 효율적으로 탐색할 수 있습니다.

대규모 언어 모델 (LLMs)의 역할은 재료 과학 분야에서 더욱 커질 것입니다. LLMs는 자율적인 재료 발견 및 설계 시스템을 달성하는 데 상당한 잠재력을 가지고 있으며, 인간 지침을 해석하고 다양한 작업 및 재료 특성에 동적으로 적응하여 자동화된 재료 R&D 프로세스를 실현할 수 있습니다. LLMs는 지식 베이스를 통해 지속적으로 학습하고 개선하여 완전히 자동화된 재료 발견의 기반을 마련할 수 있습니다. 효율적인 데이터 통합 및 추출에서도 중요한 발전을 이룰 것으로 예상됩니다.

또한, AI 발전은 복잡한 재료(예: 고엔트로피 합금)에 대한 고품질 데이터셋 부족 문제를 해결하고, AI가 생성한 재료에 대한 표준화된 명명법 부족 문제를 개선하는 데 기여해야 합니다. 궁극적으로 AI 발전은 초전도 메커니즘과 관련된 새로운 물리를 조명할 수도 있습니다.

재료 역설계의 주요 과제와 AI가 해결할 잠재력

제공해주신 자료에 따르면, 재료 과학의 역설계(inverse design) 분야는 여러 주요 과제에 직면해 있으며, 인공지능(AI)은 이러한 과제를 해결하고 프로세스를 가속화할 상당한 잠재력을 가지고 있습니다.

재료 역설계의 주요 과제:

1. 복잡성과 효율성: 재료의 구조와 특성은 격자, 전하, 스핀, 대칭성, 위상 등 다양한 자유도의 복잡한 상호 작용 결과이며, 이는 역설계 방법에 중대한 과제를 제기합니다. 전통적인 소재 발견 방법은 종종 너무 느리고 노동 집약적이어서 기술 혁신 속도를 따라잡기 어렵습니다. 많은 실험이나 이론 모델에 기반한 기존 패러다임은 시행착오가 많습니다.
2. 데이터 부족 및 품질 문제: 일부 복잡한 재료, 특히 고엔트로피 합금(HEAs)과 같은 분야에서는 사용 가능한 데이터 세트의 크기가 제한적입니다. AI의 도움으로 많은 새로운 소재가 이론적으로 발견되었지만, 이러한 소재가 실제 실험에서 합성 가능한지 확인하기 위한 실험적 검증이 절실히 필요하며, 실험 진행 속도는 종종 느립니다. AI 생성 재료에 대한 표준화된 명명법이 부족하여 새로운 재료의 문서화 및 검색에 어려움이 있습니다.
3. 생성 모델의 한계: 현재의 생성 모델은 재료 설계의 복잡한 요구 사항을 충족하는 데 제약이 있습니다. AI가 생성한 재료 구조는 종종 안정적인 바닥 상태가 아니어서 추가 평가 및 구조 이완이 필요합니다. 화학 조성에 기반한 생성 모델은 부족하며, 부분적으로 알려진 구조나 화학식을 입력으로 받아 완전한 구조나 공식을 생성하는 조건부 생성 방법도 필요합니다. 다양한 기능성 재료를 위한 특정 생성 AI 알고리즘 개발도 미흡하며, 결정질 형태가 아닌 비정질 재료를 위한 생성 알고리즘 개발도 필요합니다. 또한, 모델 성능 평가를 위한 공정한 벤치마크와 데이터 세트가 부족합니다.
4. 예측 정확도 및 신뢰성: 기능성 재료의 AI 기반 고처리량 스크리닝에서 재료 분류 및 특성 예측에 상당한 격차가 남아 있으며, 특히 정확도와 복잡한 특성 처리 측면에서 그렇습니다. 열전도도, 제백 계수(Seebeck coefficient), ZT 값과 같은 주요 특성을 신뢰할 수 있게 예측하는 데 어려움을 겪는 경우가 많습니다. 초전도체의 경우, 재료가 초전도성을 나타내는지 정확하게 평가하고, 재래식 또는 비전래식 특성에 관계없이 모든 초전도체의 임계 온도(Tc)를 예측하는 데 AI를 적용하는 것은 여전히 개선될 여지가 많습니다. 대부분의 고온 초전도체의 초전도 메커니즘은 불분명하며, 이러한 물질들은 비전통적인 초전도체로 간주됩니다.
5. 실험과의 통합 및 자동화: 현재의 활성 학습은 여전히 DFT(밀도범함수 이론) 또는 다른 방법을 통한 검증이 필요하며, 검증된 샘플을 다음 반복을 위해 데이터 세트에 수동으로 추가해야 합니다. 역설계 워크플로우의 각 단계(설계 및 생성, 고처리량 스크리닝, 계산 모델링, 실험 합성 및 테스트)에 AI 알고리즘을 깊이 통합하고 각 단계를 가속화하는 것이 목표입니다.

AI가 과제를 해결할 잠재력:

AI는 이러한 과제를 해결하고 재료 역설계 프로세스를 가속화하는 데 혁신적인 잠재력을 가지고 있습니다.

1. 패러다임 전환 및 가속화: AI의 등장으로 재료 과학은 AI 중심 패러다임으로 전환되었습니다. AI는 재료 특성과 구조 간의 암묵적인 연관성을 효과적으로 특성화하여 기능성 재료의 역설계를 위한 효율적인 패러다임을 열었습니다. AI 방법은 결정 구조와 특성 간의 숨겨진 상관관계를 밝혀내어 새로운 기능성 재료를 효율적으로 생성하고 선별함으로써 재료 발견 속도를 높일 수 있습니다. AI 기반 이론 계산 부분은 완전히 AI 주도적으로 수행될 수 있습니다.
2. 패턴 식별 및 예측: AI는 데이터에서 패턴을 식별하고, 재료 특성을 예측하며, 복잡한 재료 구성을 최적화하는 데 상당한 잠재력을 보여주었습니다. 방대한 데이터에서 복잡한 상관관계를 밝혀낼 수 있습니다. 판별적 AI 모델은 주어진 입력(예: 결정 구조)에 대한 범주 또는 레이블(예: Tc, 형성 에너지)을 직접 예측하는 데 사용됩니다.
3. 새로운 구조 생성: 생성 AI 모델(예: GAN, 디퓨전 모델, VAE)은 새로운 재료 구조를 생성하는 효과적인 수단이며, 이는 “알려지지 않은 미지”의 광대한 재료 공간을 탐색하는 데 필수적입니다. 다공성 재료의 역설계를 위해 적대적 생성 네트워크나 디퓨전 모델이 활용되었습니다.
4. 고처리량 스크리닝 강화: AI는 예측된 특성을 기반으로 다수의 후보 재료를 효율적으로 스크리닝하는 것을 가능하게 합니다.
5. 데이터 한계 극복 지원: 전이 학습은 데이터 요구량을 줄일 수 있습니다. 자가 지도 학습(예: MMPT)은 레이블이 지정되지 않은 결정 데이터를 활용하여 레이블이 제한적인 데이터 문제에 도움을 줄 수 있습니다. AI는 데이터 세트 생성 및 업데이트를 지원할 수 있습니다.
6. 계산 모델링 개선: AI는 DFT 계산을 가속화하거나 대체할 수 있으며, ML 기법을 사용하여 전자-포논 결합(EPC)이나 포논 스펙트럼과 같은 복잡한 특성을 예측할 수 있습니다. ML 원자간 포텐셜(MLIPs)은 분자 시뮬레이션을 가속화합니다. AI는 재료의 해밀턴 행렬(Hamiltonian)을 학습하여 ab initio 계산을 효율적으로 수행하는 프레임워크에 활용됩니다 (DeepH, HamGNN).
7. 실험 통합 및 자동화: AI는 실험 과정에 통합되어 (예: 2D 재료의 CVD 매개변수 제어) 실험자를 지원할 수 있으며, 새로운 재료 합성 가능성을 예측할 수 있습니다. 폐쇄 루프 기계 학습은 실험적 피드백을 통합하여 초전도체 발견을 가속화합니다. AI 기반 실험 계획은 도핑, 변형 등의 효과를 효율적으로 테스트하는 데 도움이 됩니다. 로봇 자동화 시스템과 ML 모델을 통합하여 복잡한 매개변수 공간을 효율적으로 탐색할 수 있습니다.
8. 대규모 언어 모델(LLMs)의 활용: LLMs는 재료 추천, 순위 지정 및 구조 설계에 유망하며, 화학 조성을 기반으로 하는 조건부 생성 능력이나 복잡한 재료 설계 요구 사항을 충족하는 데 기여할 수 있습니다. 출판물에서 흥미로운 특성을 가진 결정을 자동으로 추출하는 데 NLP 기술이 사용될 수 있습니다.
9. 복잡한 구조 처리 (GNNs): 그래프 신경망(GNNs), 특히 기하학적 GNNs는 복잡한 결정 구조를 표현하고 모델링하는 데 강점을 가지며, 이는 특성 예측 및 구조 예측에 유용합니다.

결론적으로, AI는 재료 역설계의 근본적인 어려움인 복잡성, 효율성 부족, 데이터 제약 등을 해결할 수 있는 강력한 도구를 제공하며, 새로운 재료를 발견하고 설계하는 프로세스를 전반적으로 가속화하고 혁신하고 있습니다.