PRISMat은 재료 과학에서 목표 특성을 가진 후보 재료를 신속히 식별하기 위한 비용 효율적, 순열 불변 재료 생성 모델입니다. LLM의 과매개변수화와 순서 의존성 문제를 해결하며, 추론 시간이 더 짧음에도 표면 특성 기반 결정 슬래브 생성에서 LLM을 능가합니다. 클리브지 에너지(0.188 eV/Ų)와 일함수(2.79 eV) 과제에서 차선 모델 대비 오류를 4배 줄였습니다.
- •PRISMat은 LLM의 과매개변수화와 순서 의존성 문제를 해결하는 비용 효율적, 순열 불변 재료 생성 모델입니다.
- •표면 특성 기반 결정 슬래브 생성에서 LLM보다 짧은 추론 시간으로 더 높은 성능을 달성합니다.
- •클리브지 에너지(0.188 eV/Ų)와 일함수(2.79 eV) 과제에서 차선 모델 대비 4배 오류 감소를 이루었습니다.
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
PRISMat: Policy-Driven, Permutation-Invariant Autoregressive Material Generation
- 1.PRISMat: 비용 효율적이고 순열 불변인 결정 슬래브 생성 모델로 LLM보다 빠른 추론 속도 달성
- 2.신소재 표면 속성 조건부 생성에서 챔개 에너지 MAE 0.188 eV/A², 일함수 MAE 2.79 eV 달성
- 3.차선 모델 대비 오차를 4배 줄이며 재료 발견 파이프라인 효율성 대폭 향상
왜 중요한가?
LLM의 과도한 파라미터 사용 문제를 해결하는 경량 재료 생성 모델로, 신소재 발견 파이프라인의 비용과 시간을 크게 절감할 수 있다.
언급 프로젝트
본문 미리보기
arXiv:2605.16612v1 Announce Type: new Abstract: Rapid identification of candidate materials with target properties has become a key task in materials science. Machine learning has emerged as an alternative to physics-based simulation, offering a faster and cheaper way to filter materials based on their stability and other target properties, reducing the number of candidates that reach the costly synthesis stage. Recently, Large Language Models (LLMs) have been applied to this role, but these mo
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 11:12AI 초안
