01
GnoME (Graph Networks for Materials Exploration)
이 모델은 텍스트, 결정 구조, SMILES 등 다양한 형식의 화학 정보와 물리적 상호작용을 통합적으로 이해하는 멀티모달 임베딩 구축에 활용된다. 이는 물질의 복잡한 특성을 심층적으로 분석하고 예측하는 데 필수적이다.
View Publication
FUTURE OF MATERIALS SCIENCE
에이전틱 AI를 활용한
자율적인 신소재 발견 패러다임
신소재 R&D 전략 로드맵에 언급된 주요 연구 논문 및 시스템을 소개합니다. 이들은 AI가 가설 수립부터 실험 자동화까지 수행하는 혁신적인 사례를 제시합니다.
신소재 R&D 전략 로드맵에 언급된 주요 연구 논문 및 시스템은 다음과 같다. 이들은 에이전틱 AI를 활용한 자율적인 신소재 발견 패러다임 전환을 뒷받침하는 핵심 기술 및 사례를 제시한다.
02
CrabNet (A Universal Deep Graph Network)
CrabNet은 물질의 다양한 물성을 예측하는 범용 딥 그래프 네트워크 모델이다. 에이전틱 AI 시스템에서 LLM이 생성한 가설의 타당성을 실시간으로 검증하는 도구로 사용되어, 신뢰성 높은 발견을 가능하게 한다.
View Publication03
ALIGNN (Atomistic Line Graph Neural Network)
ALIGNN은 원자 선 그래프 신경망으로 물질의 물성을 효과적으로 예측한다. CHGNet과 함께 예측자 에이전트 계층에서 물리적 물성을 빠르게 스크리닝하여, 유망한 후보 물질을 선별하는 데 기여한다.
View Publication04
Key Benchmark
Coscientist: Autonomous Laboratory
Coscientist는 AI가 화학 합성 및 발견 과정을 자율적으로 수행하는 인공지능 기반 자율 실험실이다. 본 로드맵은 Coscientist의 아키텍처를 벤치마킹하여, AI가 하드웨어 제어 스크립트를 생성하고 실시간 데이터를 수용하는 자율 실험실 시스템 구축의 기반으로 삼는다.
Read on Nature05
A-Lab: Automated Experimentation
A-Lab은 자동화된 실험과 AI를 통해 물질 발견을 가속화하는 플랫폼이다. Coscientist와 마찬가지로 AI 에이전트의 지능을 자율 실험실과 물리적으로 연동하는 시스템 설계에 중요한 참고 자료가 된다.
View Publication06
CHGNet: Charge and Energy Prediction
CHGNet은 무기 결정의 전하와 에너지를 예측하는 그래프 신경망이다. 예측자 에이전트가 물리적 물성을 스크리닝할 때 ALIGNN과 함께 활용되어, 신소재의 잠재력을 효율적으로 평가한다.
View Publication07
Performance Proof
ARES: Accelerated Research System
ARES는 자율 연구 시스템을 통해 신소재 발견을 가속화한 사례를 보여준다. 특히 탄소 나노튜브 합성 과정에서 8배 이상의 속도 향상을 달성하여, 에이전틱 AI 도입이 R&D 리드 타임을 획기적으로 단축할 수 있음을 실증적으로 입증한다.
View Case Study08
MATLLM-SEARCH
이 시스템은 방대한 화학 공간 내에서 유망한 신소재 후보를 자율적으로 탐색하는 가설 생성 및 검색에 활용된다. LLM 기반의 물질 탐색 시스템으로, 과학적 추론 및 가설 수립 지능 구현에 필수적인 요소이다.
Hypothesis Generation09
mCLM (Modular Chemical Language Model)
모듈형 화학 언어 모델 유형을 지칭하며, 도메인 적응 및 멀티모달 통합 과정에서 텍스트, 결정 구조, SMILES 등 다양한 데이터를 동시에 이해하고 통합하여 물질의 복합적인 특성을 심층 분석한다.
Multimodal Integration