2026년 45주차 · 급상승 연구 주제
재료공학 · Machine Learning in Materials Science
연 4,452 → 5,924편
분야 평균 대비 +31%p
신소재 개발 및 특성 예측에 필요한 방대한 실험 데이터와 시뮬레이션 결과를 효율적으로 분석하고, 새로운 재료를 빠르게 설계하는 데 필수적인 도구로 부상하고 있습니다.
출판량은 OpenAlex 전수 데이터를 최근 12개월과 직전 12개월로 나눠 비교한 값이에요. 분야 전체가 함께 커지는 착시를 빼기 위해 분야 중앙값 성장률을 차감한 초과 성장(+31%p)으로 순위를 매겼어요.
학부·석사 수준에서 실제로 착수 가능한 스케일로 좁힌 방향이에요. 마음에 드는 걸 고르면 카라멜 조교가 이어서 구체화해 줘요.
특정 합금 조성에 따른 기계적 특성 예측 모델 개발 (데이터 기반)
아이디에이션2기존 재료 데이터셋을 활용한 신규 촉매 후보 물질 스크리닝
아이디에이션3재료 합성 조건 변화에 따른 물성 변화 패턴 분석 및 최적화
아이디에이션인용 속도와 최신성으로 고른 논문이에요. 한국어 요약을 먼저 보고, 원문은 8개 섹션 풀 분석으로 이어갈 수 있어요.
Bayesian Optimization of Catalysis with In-Context Learning
대규모 언어 모델(LLM)은 인컨텍스트 학습(ICL)을 통해 적은 수의 예시만으로도 정확한 분류를 수행하며, 추론 시 관련 예시를 관찰하여 추가적인 가중치 업데이트 없이도 일반화가 가능합니다. 본 연구는 이러한 LLM의 역량을 불확실성 추정 회귀 문제로 확장하여, 명시적인 모델 훈련이나 특징 공학 없이도 자연어 기반 베이즈 최적화(BO)를 가능하게 합니다. 재료를 합성 및 테스트 절차로 표현하여 자연어 프롬프트에 활용함으로써 재료 발견에 적용했습니다. 이 베이즈적이고 설계 우선 접근 방식은 상세한 특성 분석에 앞서 목표 재료 특성…
Graph atomic cluster expansion for foundational machine learning interatomic potentials
정확하고 효율적인 기계 학습 원자간 포텐셜은 광범위한 재료 모델링을 가속화하여 원자 수준 발견을 촉진하는 데 필수적입니다. 본 연구는 그래프 원자 클러스터 확장(GRACE) 프레임워크를 기반으로 하는 범용 포텐셜을 소개하며, 이는 현존하는 가장 큰 재료 데이터셋을 활용하여 훈련되었습니다. GRACE 모델은 포괄적인 벤치마크를 통해 기존의 파운데이션 원자간 포텐셜 중 정확도와 효율성 측면에서 새로운 파레토 프론트를 구축했음을 입증했습니다. 이는 기존 모델 대비 우수한 성능을 보여줍니다. 또한, 미세 조정 및 지식 증류를 통해 GR…
AI-powered open-source infrastructure for accelerating materials discovery and advanced manufacturing
인공지능(AI)의 발전은 제품 수요 증가, 기술경제적 효율성 및 탄소 발자국 감소라는 사회적 요구에 부응하며 산업 혁신을 주도할 중요한 기회를 제공합니다. 본 연구는 재료 발견 및 첨단 제조 분야에서 개념화부터 상업화에 이르는 투명하고 확장 가능하며 지속 가능한 AI 기반 인프라 구축을 위한 체계적인 프레임워크를 제시합니다. 이 프레임워크는 재료 개발의 진화를 경험적 접근 방식에서 AI 기반 통합 플랫폼으로 추적하며, 데이터 획득, 모델링, 시뮬레이션 및 배포를 통합하여 접근성을 민주화하고 협업을 촉진하며 재현성을 향상시키는 오픈…
