재료 과학 AI: 파운데이션 모델과 활용 동향

A Survey of AI for Materials Science: Foundation Models, LLM Agents, Datasets, and Tools

Minh-Hao Van, Prateek Verma, Chen Zhao 외 1인·ACM Computing Surveys·발표 2026.06· 4 인용

최근 1년 4회 인용

한국어 핵심 요약

파운데이션 모델(FM)은 재료 과학(MatSci) 분야에서 확장 가능하고 다목적이며 다중 모드 AI 시스템을 구현하여 과학적 발견의 변혁을 주도하고 있습니다. 기존의 좁은 범위의 머신러닝 모델과 달리, FM은 도메인 간 일반화 및 새로운 기능을 제공하여 다양한 데이터 유형과 스케일을 다루는 재료 과학 연구에 특히 적합합니다. 본 조사는 이 성장하는 분야를 지원하는 파운데이션 모델, 에이전트 시스템, 데이터셋 및 계산 도구에 대한 포괄적인 개요를 제공합니다. 데이터 추출, 해석 및 Q&A, 원자 시뮬레이션, 특성 예측, 재료 구조, 설계 및 발견, 공정 계획, 발견 및 최적화, 다중 스케일 모델링의 6가지 광범위한 응용 분야를 포괄하는 작업 중심 분류 체계를 제시합니다. 단일 모드 및 다중 모드 FM의 최신 발전과 새로운 대규모 언어 모델(LLM) 에이전트를 논의합니다. 또한, FM의 개발 및 연구 워크플로우 통합을 촉진하는 표준화된 데이터셋, 오픈 소스 도구 및 자율 실험 플랫폼을 검토합니다. 파운데이션 모델의 초기 성공을 평가하고 일반화 가능성, 해석 가능성, 데이터 불균형, 안전 문제 및 제한된 다중 모드 융합을 포함한 지속적인 한계를 식별합니다. 마지막으로, 확장 가능한 사전 학습, 지속적 학습, 데이터 거버넌스 및 신뢰성을 중심으로 미래 연구 방향을 제시합니다.

섹션 미리보기

연구 배경

파운데이션 모델(FM)은 재료 과학 분야에서 혁신적인 변화를 이끌며, 확장 가능하고 다목적이며 다중 모드 AI 시스템을 통해 과학적 발견을 가속화하고 있습니다. 이는 기존 머신러닝 모델의 한계를 넘어 다양한 데이터 유형과 스케일에 걸쳐 일반화된 접근 방식을 제공합니다.

핵심 발견

본 조사는 FM의 6가지 주요 응용 분야를 분류하고, 단일 및 다중 모드 FM, LLM 에이전트의 최신 발전을 분석합니다. 또한, 표준화된 데이터셋과 오픈 소스 도구를 검토하며, 일반화, 해석 가능성, 데이터 불균형 등 FM의 한계점과 미래 연구 방향을 제시합니다.

전체 8개 섹션 분석

내가 읽고 있는 논문도 이렇게 정리해드릴게요

연구 배경 · 방법론 · 결과 · 한계점까지 8개 섹션 풀 분석. PDF 업로드 한 번이면 끝.

내 논문 분석하기

재료 과학 AI: 파운데이션 모델과 활용 동향

연구 배경

핵심 발견

내가 읽고 있는 논문도 이렇게 정리해드릴게요

관련 재료공학 논문

철 이온 주입 통한 층상 규산염 상온 강자성 유도

PySCF: 양자화학 시뮬레이션 10년

산화몰리브데넘 광촉매 합성 및 활성

Si3N4 도파로 활용 TMD 소멸 흡수 분광법