인공지능 기반 재료과학 연구 패러다임: 재료과학 사면체

Research Paradigm of Materials Science Tetrahedra with Artificial Intelligence

구조-성질-가공-성능-특성 관계를 나타내는 고전적인 재료과학 사면체는 지금까지 재료과학 분야에서 가장 중요한 연구 패러다임입니다. 이는 실험, 모델링 및 이론을 안내하는 역할을 하여 특정 재료의 다양한 측면 간의 숨겨진 관계를 밝히는 데 기여합니다. 이를 통해 지식 축적을 촉진하고 원하는 기능성을 가진 새로운 재료 개발을 가능하게 합니다. 최근 인공지능(AI) 기술의 발전과 함께 과학 연구 분야에서 AI에 대한 관심이 높아지고 있습니다. 다양한 분야에 AI를 적용하려는 시도가 끊임없이 이루어지고 있으며, 이는 연구 패러다임을 혁신할 수 있는 잠재력을 가지고 있습니다. 자연어 처리 및 컴퓨터 비전 분야에서 성공을 거두었음에도 불구하고, AI를 자연과학과 효과적으로 통합하는 것은 근본적인 차이점을 고려할 때 여전히 큰 과제입니다. 이러한 관찰과 한계에서 영감을 받아, 우리는 현재의 고전적인 재료과학 사면체에 의해 규정되는 연구 패러다임을 살펴보고, 데이터 중심 및 AI 기반 연구를 촉진하기 위한 두 가지 새로운 패러다임을 제안합니다. 하나의 사면체는 물질-데이터-모델-잠재력-에이전트 관계를 고려하여 재료과학 분야의 AI 적용에 초점을 맞추고, 다른 사면체는 데이터-아키텍처-인코딩-최적화-추론 관계를 논의하며 AI 연구를 보여줍니다. 이러한 프레임워크의 핵심 요소와 연결 관계를 논의하여 과학적 사고의 발전과 기술 발전을 촉진할 것입니다. 과학 연구에 AI를 적용하는 것에 대한 긍정적인 인식이 널리 퍼져 있지만, AI의 잠재력을 최대한 활용하기 위해서는 AI를 통해 해결 가능한 명확하게 정의된 과학적 문제를 도출하기 위해 합리적으로 문제를 분석해야 합니다.

The classical material tetrahedron that represents the Structure-Property-Processing-Performance-Characterization relationship is the most important research paradigm in materials science so far. It has served as a protocol to guide experiments, modeling, and theory to uncover hidden relationships between various aspects of a certain material. This substantially facilitates knowledge accumulation and material discovery with desired functionalities to realize versatile applications. In recent years, with the advent of artificial intelligence (AI) techniques, the attention of AI towards scientific research is soaring. The trials of implementing AI in various disciplines are endless, with great potential to revolutionize the research diagram. Despite the success in natural language processing and computer vision, how to effectively integrate AI with natural science is still a grand challenge, bearing in mind their fundamental differences. Inspired by these observations and limitations, we delve into the current research paradigm dictated by the classical material tetrahedron and propose two new paradigms to stimulate data-driven and AI-augmented research. One tetrahedron focuses on AI for materials science by considering the Matter-Data-Model-Potential-Agent diagram. The other demonstrates AI research by discussing Data-Architecture-Encoding-Optimization-Inference relationships. The crucial ingredients of these frameworks and their connections are discussed, which will likely motivate both scientific thinking refinement and technology advancement. Despite the widespread enthusiasm for chasing AI for science, we must analyze issues rationally to come up with well-defined, resolvable scientific problems in order to better master the power of AI.