적층된 이중층 재료의 물성 예측: 멀티모달 학습 접근 방식

재료 과학을 위한 AI (AI for materials science)는 과학을 위한 AI (AI for science) 분야 내에서 매우 중요한 주제로, 재료 발견을 가속화하고 정확한 물성 예측 (property predictions)을 생성하는 것을 목표로 합니다. 이중층 2D 재료 적층 (Bilayer 2D material stacking)은 새로운 기능과 고유한 현상을 가진 신소재를 탐구하는 데 필수적이며, 다양한 실제 응용 분야를 위한 새로운 2D 이중층 생성을 가능하게 합니다. 이중층 반데르발스 (vdWs) 재료에 대한 연구는 실험적 및 계산적 관점에서 상당한 진전을 이루었습니다. 다양한 이중층 재료들이 실험적으로 성공적으로 합성되었으며, 고처리량 컴퓨팅 (high-throughput computing) 기술의 활용이 증가함에 따라 여러 계산적 2차원 재료 데이터베이스가 구축되었습니다. 그러나 이중층 적층을 모델링하고 새로운 물성을 예측하기 위해 AI를 사용하는 연구는 여전히 미개척 분야로 남아 있으며, 추가적인 연구가 필요합니다. 본 연구에서는 새로운 기능이나 다중 기능을 공동으로 구현하는 서로 다른 재료 간의 계면 (interfaces)을 연구하고, 주어진 구성 하에서 서로 다른 기능성 재료 층의 수직 통합 (적층)으로부터 발생하는 새로운 물성을 예측하기 위한 새로운 멀티모달 학습 (multimodal learning) 접근 방식을 제안합니다. 종합적인 실험을 통해 베이스라인 방법 (baseline methods)과 비교하여 우리 접근 방식의 효과성과 효율성을 입증하였습니다. 우리의 코드는 https://github.com/AnVuong123/bimaml 에서 확인할 수 있습니다.