역물질 설계 (Inverse materials design)는 물질 발견의 패러다임을 물리적 제약 조건 하에서 목표를 충족하는 후보 물질을 타겟팅하여 제안하는 방식으로 전환하고 있습니다. 본 논문에서는 결정성 고체 (crystalline solids)를 위한 생성적 결정 구조 모델링 (generative crystal structure modeling), 멀티모달 학습 (multimodal learning), 그리고 폐쇄 루프 설계 파이프라인 (closed-loop design pipelines)의 최근 발전을 검토합니다. 우리는 현대적인 생성기 (generators)가 대규모 데이터베이스로부터 화학적-구조적 사전 지식 (chemical-structural priors)을 학습하여 주기적 구조 (periodic structures)의 제어 가능한 샘플링을 어떻게 가능하게 하는지 조사하며, 변이형 오토인코더 (variational autoencoders), 정규화 흐름 (normalizing flows), 자기회귀 공식화 (autoregressive formulations), 그리고 확산 모델 (diffusion models)을 포함한 주요 모델 클래스들을 비교합니다. 특히 표현 방식의 선택 (representation choices), 학습 목표 (training objectives), 샘플링 시 가이드 (sampling-time guidance), 그리고 생성 후 스크리닝 및 완화 (post-generation screening and relaxation)를 통해 워크플로우 전반에 걸쳐 타당성 제약 조건 (feasibility constraints)과 물리적 사전 지식 (physical priors)이 어떻게 강제되는지에 주목합니다. 또한, 우리는 결정 구조, 열역학적 정보, 전자 정보, 현미경 관찰, 분광학, 공정 맥락, 그리고 과학 텍스트를 포함한 다양한 물질 모달리티 (modalities)를 멀티모달 학습이 어떻게 융합하여 화학 공간 (chemical space)에 대한 더욱 보편적이고 전이 가능한 표현 (transferable representation)을 구축하는지 논의합니다. 아울러, 조건부 생성 (conditional generation)을 잠재 최적화 (latent optimization), 베이지안 최적화 (Bayesian optimization), 강화학습 (reinforcement learning), 그리고 능동 학습 (active learning)과 통합하는 다양한 역설계 전략들을 살펴봅니다. 마지막으로, 대리 모델 착취 (surrogate exploitation), 다양성 붕괴 (diversity collapse), 분포 변화 (distribution shift), 그리고 안정성-합성 가능성 간극 (stability-synthesizability gap)과 같은 반복되는 실패 모드들을 강조하며, 타당성 (validity), 신규성 (novelty), 독특함 (uniqueness), 안정성 (stability), 그리고 비용 (cost)의 단계별 보고를 기반으로 한 발견 등급의 평가 관행 (discovery-grade evaluation practices)을 개괄합니다.