[논문 리뷰] AI-driven materials design: a mini-review

Mouyang Cheng, Chu-Liang Fu외 5명|ArXiv.org|2025. 02. 05.

Machine Learning in Materials Science인용 수 6

한 줄 요약

이 논문은 AI 기반 재료 설계의 흐름을 조사하며, 순방향 스크리닝에서 역설계로의 전환을 딥 제너레이티브 모델, RL/BO, 자율 랩과 함께 조명하고 도전 과제와 향후 방향을 논의한다.

ABSTRACT

Materials design is an important component of modern science and technology, yet traditional approaches rely heavily on trial-and-error and can be inefficient. Computational techniques, enhanced by modern artificial intelligence (AI), have greatly accelerated the design of new materials. Among these approaches, inverse design has shown great promise in designing materials that meet specific property requirements. In this mini-review, we summarize key computational advancements for materials design over the past few decades. We follow the evolution of relevant materials design techniques, from high-throughput forward machine learning (ML) methods and evolutionary algorithms, to advanced AI strategies like reinforcement learning (RL) and deep generative models. We highlight the paradigm shift from conventional screening approaches to inverse generation driven by deep generative models. Finally, we discuss current challenges and future perspectives of materials inverse design. This review may serve as a brief guide to the approaches, progress, and outlook of designing future functional materials with technological relevance.

연구 동기 및 목표

• 시행착오(trial-and-error) 방법을 넘어 더 빠르고 더 효율적인 재료 발견의 필요성을 제시한다.
• 재료 과학에서 순방향 스크리닝에서 역설계로의 진화를 요약한다.
• 역설계를 가능하게 하는 주요 AI 방법론(딥 제너레이티브 모델, RL, BO, 자율 랩)을 강조한다.
• 현안 과제를 논의하고 AI 주도 재료 설계를 위한 향후 로드맵을 제안한다.

제안 방법

• 전방위 스크리닝 워크플로우와 특성 예측에서 ML 대리모와 그래프 기반 표현(예: CGCNN)의 역할을 설명한다.
• 진화 알고리즘 계열(GA, PSO, MCTS)과 그들의 결정 구조 예측, 재료 최적화, 나노입자 설계에의 응용을 개요한다.
• 적응적이고 인터랙티브한 접근법(Bayesian 최적화, 강화 학습, 자율 실험실)을 설명하고 이들의 폐루프 설계-평가 사이클을 다룬다.
• 역설장을 위한 딥 제너레이티브 모델(VAEs, GANs, 확산 모델, LLMs)과 목표 특성에 대한 조건부 생성에 대해 논의한다.
• 적응 설계의 현재 도전 과제(데이터 속도, 데이터베이스 중심 워크플로우, 인프라 필요성)에 대한 종합적인 정리를 제공한다.

Figure 1: Evolutionary trend of materials design paradigm for forward vs. inverse design since 2014, by number of publications. The publications presented in this figure are retrieved from the Web of Science database with keywords related to automatic materials design and discovery. Publications wit

실험 결과

연구 질문

• RQ1 재료 과학에서 순방향 스크리닝에서 역설계로의 전환을 주도한 AI 방법론은 무엇인가?
• RQ2 목표 특성을 갖는 재료를 발견하는 데 있어 순방향 스크리닝과 역설계의 효율성과 능력을 어떻게 비교할 수 있는가?
• RQ3 과학 연구 및 기술 개발에 AI 주도 역설계를 통합하는 주요 도전 과제와 향후 방향은 무엇인가?

주요 결과

• 역설계는 점점 더 두드러지며 현재 재료 설계 문헌의 약 8%를 차지한다.
• 딥 제너레이티브 모델은 잠재 공간과 조건부 샘플링을 통해 직접적이고 특성 표적의 재료 생성을 가능하게 한다.
• 적응적이고 인터랙티브한 접근법(Bayesian 최적화, 강화 학습, 자율 랩)은 데이터 및 실험 제약 하에서 설계를 가속할 수 있다.
• ML 대리자를 활용한 순방향 스크리닝은 속도는 높아지나, 방대한 설계 공간으로 인해 외삽 문제와 거짓 음성률 증가로 어려움을 겪는다.
• 진화 알고리즘(GA, PSO, MCTS)은 역설계의 기초를 마련했지만 계산 비용과 하이퍼파라미터 민감도 문제에 직면한다.

Figure 2: Material discovery based on forward screening. (a) Schematics of forward screening, which filters material candidates by high-throughput calculation of target properties. Such calculations can be accelerated by ML surrogate models. (b) Crystal graph convolutional neural networks (CGCNN) as