MIT 연구진이 화학적으로 무질서한 금속 합금의 물성 시뮬레이션 및 예측 성능을 높이는 새로운 머신러닝 기법을 개발했다. 정보 이론 기반의 수학적 접근법을 활용한 이 팀은 기존 방식의 한계를 극복했다. 과거의 무차별적인 방식은 단일 재료 분석에 10만 시간 이상의 계산이 필요했지만, 이번 기법은 중복된 원자 데이터를 새로운 패턴으로 대체해 학습 데이터셋을 최적화했다. 이를 통해 실제 합금 내 복잡한 화학 결합을 정확하게 반영한 고충실도 시뮬레이션이 가능해졌다.

과학 저널 'Science Advances'에 게재된 이 연구는 최적화된 데이터셋으로 학습된 모델이 구글이나 마이크로소프트와 같은 기업이 개발한 대규모 모델보다 우수한 성능을 보임을 증명했다. 특히 온도와 조성에 따른 재료 안정성을 보여주는 상평형도를 실험 데이터와 일치할 정도로 정확하게 예측했다. 이러한 능력은 용접, 주조, 열처리 등 재료 형성 예측이 필수적인 산업 분야에서 매우 중요하다.

MIT 재료과학공학 교수이자 선임 저자(senior author)인 로드리고 프레이타스(Rodrigo Freitas)가 이끄는 연구팀은 학계의 모델링 기술을 산업 현장에 적용하기 위한 노력을 지속하고 있다. 현재 연구진은 조성 변화가 기계적 물성과 방사선 내성에 미치는 영향을 분석 중이며, 극한 환경에서도 견딜 수 있는 소재 설계를 목표로 한다. 이번 연구는 미국 공군 과학연구소(U.S. Air Force Office of Scientific Research)의 지원을 받았으며 킬리안 셰리프(Killian Sheriff), 대니얼 샤오(Daniel Xiao), 이판 차오(Yifan Cao), 루이스 R. 오웬(Lewis R. Owen) 등이 참여했다.

MIT 연구진이 화학적으로 무질서한 금속 합금의 물성 시뮬레이션 및 예측 성능을 높이는 새로운 머신러닝 기법을 개발했다. 정보 이론 기반의 수학적 접근법을 활용한 이 팀은 기존 방식의 한계를 극복했다. 과거의 무차별적인 방식은 단일 재료 분석에 10만 시간 이상의 계산이 필요했지만, 이번 기법은 중복된 원자 데이터를 새로운 패턴으로 대체해 학습 데이터셋을 최적화했다. 이를 통해 실제 합금 내 복잡한 화학 결합을 정확하게 반영한 고충실도 시뮬레이션이 가능해졌다.

과학 저널 'Science Advances'에 게재된 이 연구는 최적화된 데이터셋으로 학습된 모델이 구글이나 마이크로소프트와 같은 기업이 개발한 대규모 모델보다 우수한 성능을 보임을 증명했다. 특히 온도와 조성에 따른 재료 안정성을 보여주는 상평형도를 실험 데이터와 일치할 정도로 정확하게 예측했다. 이러한 능력은 용접, 주조, 열처리 등 재료 형성 예측이 필수적인 산업 분야에서 매우 중요하다.

MIT 재료과학공학 교수이자 선임 저자(senior author)인 로드리고 프레이타스(Rodrigo Freitas)가 이끄는 연구팀은 학계의 모델링 기술을 산업 현장에 적용하기 위한 노력을 지속하고 있다. 현재 연구진은 조성 변화가 기계적 물성과 방사선 내성에 미치는 영향을 분석 중이며, 극한 환경에서도 견딜 수 있는 소재 설계를 목표로 한다. 이번 연구는 미국 공군 과학연구소(U.S. Air Force Office of Scientific Research)의 지원을 받았으며 킬리안 셰리프(Killian Sheriff), 대니얼 샤오(Daniel Xiao), 이판 차오(Yifan Cao), 루이스 R. 오웬(Lewis R. Owen) 등이 참여했다.