Launch HN: 발견된 재료 (YC P26) – 새로운 물질을 발견하는 AI 에이전트

마지막으로, 저희는 이 벤치마크에서 모델 성능을 측정하는 데 사용되는 하네스(harness), 도구(tools), 그리고 평가 기준(graders)에 대해 설명합니다. 모든 모델은 $\kappa$, $\epsilon$, $E$ (Young's modulus), 그리고 $G$ (shear modulus)를 만족하는 물질을 찾는 임무를 부여받습니다. 고정된 값들은 적절한 목표 범위(desired window)를 정의하기 위해 선택되었으며, 아래의 목적 함수가 모델에게 주어지는 내용입니다.

다음 조건을 모두 충족하는 동적으로 안정하고 새로운 BEOL 호환 결정성 물질을 제안하시오: 열전도율 $\kappa$, 정적 유전 상수 $\epsilon$, 영률 $E$ (Young's modulus), 그리고 전단 탄성 계수 $G$ (shear modulus). 또한, 모든 후보 물질은 전문가가 시도할 것이라고 판단하는 BEOL 온도 및 공정 호환 합성 레시피를 함께 제시해야 합니다. 레시피가 시도할 가치가 없다고 판단된 후보는 카운트되지 않습니다. 신규성(Novelty)이란 해당 물질이 보고된 문헌에서 BEOL 호환 조건으로 박막 형태로 증착된 적이 없는 것을 의미합니다.

저희는 모델이 이 작업을 수행하도록 일련의 도구들을 갖추게 했습니다. 이 도구들은 계산 재료 과학자에게 제공될 수 있는 도구들과 유사하게 설계되었습니다. 저희가 모델에 제공한 도구들은 다음과 같습니다:

• 웹 검색 (제공사로 Exa 사용)
• Python 및 Bash 기능을 가진 코딩 샌드박스와 관련 재료 과학 패키지들 — pymatgen$^{1}$, mp_api2, 그리고 ASE$^{3}$-
• 다음을 계산하기 위한 머신러닝 기반 도구: 1) 동적 안정성, 2) 격자 열전도율, 3) 정적 유전 상수, 그리고 4) 컴플라이언스 텐서

모델에게는 중단 조건이 주어지지 않았으며, 오류가 발생하거나 총 토큰 예산인 1억 개의 토큰을 소진할 때까지 진행됩니다. 저희는 AI Security Institute의 오픈 소스 Inspect 프레임워크$^{4}$를 사용하여 이 모델들을 벤치마크합니다. 다음 섹션에서는 모델이 제안된 후보 물질을 선별하는 데 사용한 구현된 도구들에 대해 더 자세히 논의합니다. 그 후 합성 점수화 절차에 대해 논의하겠습니다.

제공된 도구들

아래에서는 본 연구에서 다양한 물성을 계산하는 데 사용한 기계 학습 기반 도구들을 나열합니다. 저희는 특히 범용 포인트 엣지 트랜스포머(UPET) 파운데이션 머신러닝 모델인 PET-MAD5를 활용하여 기계 학습 상호 원자 포텐셜(MLIPs)을 이용했습니다. 향후 연구에서는 이러한 MLIP 계산 대신 직접 밀도 범함수 이론(DFT) 계산을 통합하거나 하이브리드 접근 방식을 취할 수 있습니다.

동적 안정성 및 '조화' 격자 열전도율

저희는 Pheasy6와 Phonopy7를 사용하여 압축 센싱 방법8으로 2차 힘 상수(force constants)에 맞추기 위한 무작위 구성을 생성합니다. 이를 통해 모든 포논 모드(phonon modes)를 식별할 수 있습니다. 아래에서

격자 열전도율 (Lattice thermal conductivity, LTC)

저희는 Pheasy6와 Phonopy7를 사용하여 압축 센싱 방법8으로 2차 및 3차 힘 상수(force constants)에 맞추기 위한 무작위 구성을 생성합니다. 저희는 세 포논 산란 그림(three phonon scattering picture)에서 LTC를 근사합니다. 열전도율을 얻기 위해 이완 시간 근사(relaxation time approximation)9로 볼츠만 수송 방정식(Boltzmann transport equation)을 풉니다. 저희는 LTC 평가에 동위원소 효과(isotope effects)를 포함하며, 제안된 후보 물질들의 예상되는 높은 밴드갭(낮은 유전율) 때문에 전자 기여분은 무시합니다.

정적 유전율 (Static dielectric constant)

저희는 일반 재료 텐서 네트워크(General Materials Tensor Network, GMTNet)10를 사용하여 정적 유전율11을 얻습니다. 정적 유전율을 직접 맞추는 대신, 두 개의 별도 모델—하나는 전자/고주파 유전율

기계적 특성 (Mechanical properties)

저희는 재료의 순응 텐서(compliance tensor)로부터 영률(Young’s modulus)과 전단 탄성 계수(shear modulus)와 같은 기계적 특성을 얻습니다. 이는 단위 셀을 12가지 다른 구성으로 변형시키고 응력(stresses)을 예측하여 평가됩니다.

합성 등급 절차 (Synthesis grading procedure)

우리는 LLM이 생성한 레시피 일부를 인간 전문가들에게 제공하여 독립적으로 평가하게 했습니다. 이 평가들로부터 우리는 모든 제안된 레시피를 평가하기 위한 루브릭을 구축했습니다. 각 루브릭은 페널티 기반 형식으로, 레시피가 정보를 잘못 명시하거나 누락할 때마다 감점됩니다. 페널티에는 두 가지 유형이 있습니다 — 치명적(critical) 및 수정 가능(fixable). 치명적인 페널티는 해당 레시피가 시도되지 않음을 자동으로 보장합니다. 심사관은 수정 가능한 페널티 목록 중에서 레시피를 시도할지 아니면 성공하기 어려울 것으로 표시할지 결정할 수 있습니다. 저희 평가 도구로는 OpenAI의 웹 검색 기능을 갖춘 GPT-5.6 Sol을 사용하는데, 이것이 인간 피드백과 가장 높은 상관관계(correlated)를 보였기 때문입니다.

예시 평가

도구: 2.45 GHz 마이크로파-플라즈마 CVD (저온, 시딩).

• 기판(Substrate): 100 nm PECVD SiO2가 코팅된 300 mm Si 웨이퍼; 육방정계 스태킹을 위한 템플릿으로 3 nm AlN 또는 2 nm h-BN (0001) 버퍼를 스퍼터링(sputter)합니다.
• 시딩(Seeding): 5 nm 폭발 나노다이아몬드 콜로이드(DMSO에 0.1 g/L)를 스핀 코팅하고, 초음파 처리(ultrasonic)를 60초 동안 진행한 후, N2 블로우 드라이합니다; 시딩 밀도는 >1e11 cm-2여야 하며, 시딩 전에 O2 플라즈마로 10초간 오염물 제거(descum)합니다.
• 가스(Gas): H2에 0.4% CH4를 혼합하고, 총 유량은 300 sccm, 압력은 15 Torr입니다; 기판을 380-400 °C로 유지하기 위해 마이크로파 전력을 600 W로 설정하고 펄스 작동 주기(pulsed duty cycle)를 30%로 사용합니다 (측정 장비: 파이로미터 + He 백사이드 냉각 스테이지).
• 바이어스(Bias): 처음 10분 동안 -80 V DC의 펄스 기판 바이어스를 적용하여 (바이어스 강화 핵 생성, bias-enhanced nucleation) 한 후, 플로트(float)시킵니다.
• 성장(Growth): 8시간 동안 80-150 nm 연속 필름을 성장시키고; 종료점은 현장 레이저 반사 간섭계(in-situ laser reflectance interferometry)를 통해 측정합니다.
• 후처리(Post): 표면 종결(surface termination)을 위해 350 °C에서 5분간 H2 플라즈마 처리를 하고; 선택적으로 400 °C, 30분 N2 어닐링(anneal)을 수행합니다.
• 상 식별(Phase ID): UV 라만 분광법 (lonsdaleite 1315-1325 cm⁻¹ 대 입방정계 1332 cm⁻¹, 1580 cm⁻¹ G-밴드 없음), GIXRD 육방정계 (100)/(002)/(101) 반사 피크가 입방 다이아몬드에서 부재함, 단면 TEM/SAED를 통해 ABAB 스태킹 확인; 그래프트성/DLC 오염은 D/G 밴드로 표시됨.

Claude Opus 5가 시드 마이크로파 플라즈마 CVD(seeded microwave-plasma CVD)를 통해 육방정계 다이아몬드인 론스데라이트(lonsdaleite)를 제안했으며, 이는 PECVD 기준에 따라 평가되었습니다. 평가는 **시도하지 않음 (WOULD NOT ATTEMPT)**을 반환했습니다. 이 중 하나는 자체적으로 판단을 종료시키는 중요한 감점 사항이며, 추가로 다섯 가지 수정 가능한 감점 사항이 있습니다.

평가 기준 17가지 중 적용된 감점 사항은 다음과 같습니다:

원하는 상(phase) 형성을 유도하는 특정 공정 또는 선택 과정이 없습니다. 이것이 가장 중요한 항목이며, 자체적으로 판결을 결정합니다. - 플라즈마를 사용했다면 그 출처(source), 전력(power), 가스(gases), 바이어스(bias)가 명확하게 지정되지 않았습니다.

• 가스 흐름 또는 증착 순서가 누락되었거나 잘못 지정되었습니다.
• 배기 처리(exhaust handling), 즉 펌핑 및 스크러빙(scrubbing) 또는 저감 장치(abatement) 처리가 지정되지 않았습니다.
• 원하는 상을 형성할 수 있는 공정 조건은 존재하지만, 그 조건들이 부적절합니다.
• 제안된 특성화(characterization)로는 조성과 제안된 상을 검증할 수 없습니다.

평가자가 언급한 중요한 감점 사항은 다음과 같습니다:

제안된 상 선택 개념이 순서화된 2H P6₃/mmc 탄소를 신뢰성 있게 생성하지 못합니다. 나노다이아몬드 시드를 사용한 MPCVD는 시드 결정립으로부터 직접 성장하여, 매장된 h-BN/AlN 버퍼가 적층 구조를 제어하는 것을 막습니다. 기존의 폭발 시드는 입방정계 다이아몬드입니다. 바이어스나 저온 어닐링(low-temperature anneal) 어느 것도 증명된 ABAB 적층 메커니즘을 제공하지 못합니다. 최근 상 순수 육방정계 다이아몬드는 20 GPa 및 1,300–1,900 °C에서 방향성 그래파이트(oriented graphite)를 사용했습니다.

그리고 그 전반적인 요약은 다음과 같습니다:

CH₄/H₂ 플라즈마와 고밀도 나노다이아몬드 시딩(seeding)은 이론적으로 연속적인 나노결정 다이아몬드 필름을 생성할 수 있습니다. 그러나 이는 명시된 규칙적인 P6₃/mmc 상으로 가는 신뢰할 만한 경로를 제공하지는 못합니다. 성장은 주로 입방계(cubic) 나노다이아몬드 시드에서 시작되어, 제안된 육방계(hexagonal) 완충층으로부터 효과적으로 분리됩니다. 또한 300 mm 공정은 작성된 대로 심각하게 전력이 부족하며, 불완전한 펄스 및 가스 순서화와 배기 계획이 없습니다. 마지막으로, Raman, GIXRD, 그리고 일반적인 SAED는 결함이 있거나 쌍정(twinned)인 입방계 다이아몬드를 육방계로 오인할 수 있습니다. 저는 이것을 론스데라이트(lonsdaleite) 레시피로 시도하지 않을 것이며, 비록 이를 입방계-NCD 실험으로 수정할 수는 있을 것입니다.

참고 문헌 (References)

• S. P. Ong, W. D. Richards, A. Jain, G. Hautier, M. Kocher, S. Cholia, D. Gunter, V. L. Chevrier, K. A. Persson 및 G. Ceder.
  Python Materials Genomics (pymatgen): 재료 분석을 위한 견고한 오픈 소스 파이썬 라이브러리. Computational Materials Science 68, 314–319 (2013). - A. Jain, S. P. Ong, G. Hautier, W. Chen, W. D. Richards, S. Dacek, S. Cholia, D. Gunter, D. Skinner, G. Ceder 및 K. A. Persson.
  논평: The Materials Project: 재료 혁신 가속화를 위한 재료 유전체 접근법. APL Materials 1, 011002 (2013). - A. Hjorth Larsen
  et al. 원자 시뮬레이션 환경 — 원자를 다루기 위한 파이썬 라이브러리. Journal of Physics: Condensed Matter 29, 273002 (2017). - UK AI Security Institute.
  Inspect: 대규모 언어 모델 평가를 위한 오픈 소스 프레임워크. https://inspect.aisi.org.uk - A. Mazitov, F. Bigi, M. Kellner, P. Pegolo, D. Tisi, G. Fraux, S. Pozdnyakov, P. Loche 및 M. Ceriotti.
  PET-MAD: 고급 재료 모델링을 위한 경량 범용 원자 간 포텐셜. Nature Communications 16, 10653 (2025). arXiv:2503.14118 - C. Lin, J. Han, B. Xu 및 N. Marzari.
  Pheasy 코드를 사용한 제1원리 포논 물리학. arXiv:2508.01020 (2025). - A. Togo 및 I. Tanaka.

재료 과학에서의 제1원리 포논 계산(First principles phonon calculations in materials science). Scripta Materialia 108, 1–5 (2015). 또한 A. Togo의 Phonopy 및 Phono3py를 사용한 제1원리 포논 계산(First-principles phonon calculations with Phonopy and Phono3py), Journal of the Physical Society of Japan 92, 012001 (2023)을 참고하세요. - F. Zhou, W. Nielson, Y. Xia 및 V. Ozoliņš.
제1원리 계산의 압축 센싱(compressive sensing)을 통한 격자 비선형성 및 열전도율(Lattice anharmonicity and thermal conductivity from compressive sensing of first-principles calculations). Physical Review Letters 113, 185501 (2014). 또한 압축 센싱 격자 동역학. II. 효율적인 포논 계산 및 장거리 상호작용(Compressive sensing lattice dynamics. II. Efficient phonon calculations and long-range interactions), Physical Review B 100, 184309 (2019)을 참고하세요. - A. Togo, L. Chaput 및 I. Tanaka.
브릴루앙 영역에서의 포논 수명 분포(Distributions of phonon lifetimes in Brillouin zones). Physical Review B 91, 094306 (2015). - K. Yan, A. Saxton, X. Qian, X. Qian 및 S. Ji.
O(3) 등변 결정 텐서 예측을 위한 공간군 대칭 정보 네트워크(A space group symmetry informed network for O(3) equivariant crystal tensor prediction). International Conference on Machine Learning (ICML) 2024. arXiv:2406.12888 - K. Choudhary, G. Cheon, E. Reed 및 F. Tavazza.
고처리량 밀도 범함수 교란 이론(High-throughput density functional perturbation theory) 및 기계 학습을 이용한 적외선, 압전 및 유전 응답 예측. npj Computational Materials 6, 64 (2020).