메타물질은 전자기파를 정밀하게 조작하여 빔 조향, 센싱, 스텔스 기술 등 다양한 응용 분야에 활용되지만, 반복적인 전파 시뮬레이션과 연속적인 전자기 제약 조건 하에서의 제어 가능한 생성의 어려움, 그리고 역매핑의 비고유성으로 인해 역설계에 많은 어려움이 따릅니다. 본 연구는 이러한 문제들을 해결하고자 연속적인 스펙트럼 제약 조건 하에서 제어 가능하고 물리적으로 일관된 메타물질 합성을 위한 생성적 역설계 프레임워크를 제안합니다.
제안하는 접근 방식은 연속적인 스펙트럼 및 제작 제약 조건의 안정적인 전파를 위해 FiLM 기반 컨디셔닝이 통합된 점진적 성장 WGAN-GP를 활용합니다. 또한, 대리 모델 기반 스펙트럼 정렬 손실을 통해 전자기적 일관성을 생성 학습 과정에 직접 포함시켜 훈련 중 물리적 제약이 있는 생성을 가능하게 합니다. 나아가, 동일한 목표 응답에 대해 기하학적으로 다양하면서도 스펙트럼적으로 일관된 구현을 생성하기 위해 DPP 기반 다양성 정규화 전략을 적용했습니다.
제안된 프레임워크의 효과는 2-18 GHz 주파수 범위에서 다양한 반사 특성을 나타내는 실제 구현 가능한 메타물질 흡수체 생성을 통해 입증되었습니다. 전자기 시뮬레이션 결과, 생성된 설계가 높은 정확도로 목표 사양을 충족함을 확인했습니다.
최종 프레임워크는 평균 제곱 오차 0.0052, 누적 평균 오차 0.0343, 다양성 점수 0.8730, 밴드 정렬 정확도 0.8533, 유효 전자기 설계 생성률 89.57%를 달성하여, 고정확도, 다양성, 전자기적 일관성 및 제작 가능성을 갖춘 메타물질 구성을 생성하는 능력을 명확히 보여줍니다.
음향전기화학(US-EC) 산화는 신규 오염물질 제거에 유망하나, 그 분해 동역학은 운전 조건, 반응기 특성, 오염물질 속성 간의 복합적인 상호작용에 의해 영향을 받습니다. 본 연구는 US-EC 산화의 동역학 예측, 신뢰성 평가 및 역설계를 위한 머신러닝 프레임워크를 개발했습니다. 224개의 실험 및 문헌 데이터를 포함하는 데이터베이스를 구축하고, XGBoost 모델이 가장 안정적인 예측 성능을 보였습니다.
물리화학 및 양자화학적 분자 기술자를 추가했을 때 RMSE가 3.69% 감소했으며, 인가 전압, 전극 재료, 전극 간격, log Kow가 중요한 예측 인자로 도출되었습니다. 적용성 영역 분석 결과, 훈련 데이터의 지원이 약한 관측치에서 예측 오류가 증가함을 확인했습니다. 시나리오 분석은 전극 간격 변화에 대한 일반적인 반응을 재현했지만, 초음파 주파수 경향에는 제한적인 민감도를 보였습니다.
이는 변수의 수치적 커버리지 만으로는 관련 공정 조건이 훈련 데이터에 충분히 반영되지 않을 때 신뢰할 수 있는 예측을 보장할 수 없음을 시사합니다. 최종적으로 XGBoost 모델을 도메인 제약 입자 군집 최적화 알고리즘과 결합하여 카페인 분해를 위한 최적의 운전 조건을 도출했으며, 실험 검증을 통해 예측값과 측정값이 매우 유사함을 확인했습니다.
본 연구는 US-EC 공정의 효율적인 설계 및 최적화를 위한 강력한 머신러닝 기반 도구를 제공하며, 오염물질 분해 동역학 예측의 신뢰성을 높이는 데 기여합니다.
이 연구는 고체 전해질의 이온 전도도를 극대화하기 위한 원자 단위 설계의 근본적인 문제에 도전합니다. 대규모 조합 최적화 문제를 해결하기 위해 키네틱 몬테카를로(KMC) 시뮬레이션과 이징 머신 기반의 블랙박스 최적화 알고리즘인 이차 최적화 어닐링을 이용한 인자분해 머신(FMQA)을 결합한 프레임워크를 제안합니다.
제안된 KMC-FMQA 프레임워크는 KMC를 통해 특정 도펀트 배열에 대한 이온 전도도를 평가하고, FMQA는 소규모 구성-전도도 데이터셋으로부터 대리 모델을 반복적으로 학습하여 전도도를 최대화할 것으로 예상되는 배열을 제안합니다. 대규모 KMC 시뮬레이션 셀에서 발생하는 조합 폭발 문제를 해결하기 위해 구성 공간을 분할하여 병렬 최적화를 수행합니다.
개념 증명으로, 이 KMC-FMQA 프레임워크를 8 mol% 이트리아 안정화 지르코니아에 적용하여 무작위 배열보다 한 자릿수 높은 전도도를 가진 도펀트 배열을 성공적으로 식별했습니다.
이 프레임워크는 실험 결과와 결합될 때, 측정된 전도도로부터 미세 구조를 결정하고 근본적인 전송 메커니즘에 대한 통찰력을 제공함으로써 고체 전해질 설계에 혁신적인 기여를 할 것으로 기대됩니다.
