고엔트로피 탄화물 세라믹(HECC)은 극한 고온 환경에서 유망한 특성을 보이지만, 신소재 발견 가속화를 위한 기계 학습 적용 시 데이터 불균형 문제가 예측 성능을 저해합니다. 본 연구는 이러한 문제를 해결하기 위해 Borderline-SMOTE 기법을 기계 학습 알고리즘과 통합했습니다.
문헌, 실험 합성 및 합성 과표집을 통해 251개 샘플을 포함하는 데이터셋을 구축했으며, 4단계 특징 선택 전략으로 상 형성에 영향을 미치는 핵심 특징을 선별했습니다. 이후 10가지 일반적인 기계 학습 모델을 훈련 및 최적화하여 HECC 상 형성 능력 예측에 가장 적합한 랜덤 포레스트(RF) 모델을 도출했습니다.
불확실성이 높은 8가지 HECC 조성을 실험적으로 검증하고, 그 결과를 데이터셋에 다시 통합하여 모델 정확도를 반복적으로 개선했습니다. 이 과정은 모델의 신뢰성을 높이는 데 기여했습니다.
본 연구는 특히 작거나 불균형한 데이터셋에서 HECC의 상 형성을 예측하는 효율적인 전략을 제시합니다. 이는 새로운 HECC의 설계 가속화와 신뢰성 있는 예측을 가능하게 하여 첨단 소재 개발에 기여할 것으로 기대됩니다.
원자 단위 물질 시뮬레이션은 화학 및 재료 과학의 근간을 이루지만, 기존 기계 학습(ML) 기반 힘장(force field)은 특정 시스템에 대한 개발 및 검증에 많은 노력이 필요하고, 화학 시스템 간 전이성(transferability)이 부족하다는 한계가 있었습니다. 이는 시뮬레이션의 적용 범위와 효율성을 저해하는 주요 문제였습니다.
본 연구에서는 공개 데이터셋으로 학습된 범용 원자 ML 모델을 제안합니다. 이 모델은 다양한 분자와 재료에 대해 안정적인 분자 동역학 시뮬레이션을 수행할 수 있습니다. 특히, MACE-MP-0 모델은 고체, 액체, 기체, 화학 반응, 계면 및 단백질 동역학 등 물리 과학의 광범위한 문제에서 정성적, 때로는 정량적으로도 높은 정확도를 보였습니다.
이 모델은 모든 원자 시스템에 즉시 적용 가능한 파운데이션 모델로 활용될 수 있으며, 필요한 경우 소수의 응용 분야별 데이터만으로도 ab initio 수준의 정확도를 달성하도록 미세 조정(fine-tuning)할 수 있습니다. 이는 안정적인 힘장 모델이 거의 모든 재료를 포괄할 수 있음을 입증한 것입니다.
이러한 파운데이션 모델은 숙련된 사용자에게는 신뢰할 수 있는 결과를 더 빠르게 제공하고, 초보자에게는 진입 장벽을 낮춰 원자 규모 모델링의 민주화를 앞당길 것으로 기대됩니다.
본 연구는 기계 학습 기반의 특성 중요도 분석을 활용하여 BCC 고엔트로피 합금(HEA)의 항복 강도를 결정하는 핵심 재료 매개변수와 원소 효과를 체계적으로 규명했습니다. 이를 통해 전단 탄성 계수 불일치와 몰리브데넘(Mo) 원소가 항복 강도에 가장 크게 기여함을 확인했습니다.
티타늄(Ti)과 몰리브데넘(Mo) 함량 비율을 조절하여, 주조 상태의 단일 상 BCC 난삭성 HEA를 성공적으로 개발했습니다. 이 합금은 1169.3 MPa의 항복 강도와 18.8%의 연신율을 나타냈습니다.
이러한 우수한 기계적 특성은 다중 슬립 시스템의 활성화에 기인합니다. 본 연구 결과는 뛰어난 기계적 특성을 지닌 HEA 설계를 가속화할 수 있는 새로운 전략을 제시합니다.
인공지능(AI)의 구조 생물학 적용은 단백질 설계를 개념적 난제에서 새로운 단백질을 생성하는 실용적 접근 방식으로 변화시켰습니다. 기계 학습을 활용하여 연구자들은 이제 맞춤형 구조와 결합 특이성을 가진 단백질을 전산으로 설계할 수 있게 되었습니다.
이러한 접근 방식은 기존 실험 방식과 비교하여 결합체 개발 시간과 자원 요구 사항을 획기적으로 줄이는 동시에 성공률과 설계 가능성을 향상시킵니다. 이를 통해 다양하고 이전에 다루기 어려웠던 표적에 대한 고친화성 결합체를 컴퓨터로 신속하게 생성할 수 있습니다.
최근 성공 사례로는 독소를 중화하고, 면역 경로를 조절하며, 무질서한 표적과 높은 친화도 및 특이성으로 결합하는 단백질 결합체 생성이 있습니다. 모델 정확도 향상은 설계 가능한 범위의 확대로 이어지고 있으며, 전임상 모델에서의 특성 분석은 치료제 개발의 길을 열고 있습니다.
신규 결합체 설계는 단백질 공학의 패러다임 전환을 나타내며, 특정 생물학적 문제를 해결하기 위해 맞춤형 결합체를 프로그래밍할 수 있게 합니다.
본 연구는 사물 인터넷(IoT) 및 기계 학습(ML) 기반의 응급 대응 시스템(ERS)을 위한 포괄적인 프레임워크를 제시한다. 이 시스템은 실시간 데이터 분석과 예측 모델링을 활용하여 다양한 소스(예: IoT 센서)에서 유입되는 데이터를 처리하고 분석함으로써, 응급 상황에 대한 신속하고 정보에 입각한 대응을 가능하게 하며, 경찰, 소방대, 병원 등 응급 구조대원의 우선순위를 정한다.
응급 상황의 우선순위 지정을 위해 XGBoost 모델을 활용했으며, 의료, 차량, 가정 기기 분야에서 각각 96.1%의 정확도, 99.8%의 정밀도, 0.972–0.999의 평균 재현율, 0.960–0.976의 평균 F1 점수를 달성했다. 제안된 ML 기반 프레임워크는 실시간 데이터 처리, 신속한 이상 감지 및 예측 분석 기능을 강화하여 응급 상황에 대한 시기적절하고 정확한 대응을 제공한다.
웹 배포를 통해 확장성과 접근성을 확보했으며, 사용자 친화적인 인터페이스를 통해 동적인 상호작용과 실시간 모니터링을 지원한다. 이 프레임워크는 즉각적인 대응 능력을 향상시킬 뿐만 아니라, 잠재적 미래 이벤트에 대한 실행 가능한 통찰력을 제공하여 전략적 계획 수립에도 기여한다.
궁극적으로 이 시스템은 더 스마트하고 데이터 기반의 응급 관리를 통해 지역사회 및 조직 수준에서 안전과 대비 태세를 강화하며, 생명을 구하고 피해를 최소화하는 데 중요한 역할을 할 것으로 기대된다.
