다중 이종 접합 구조를 가진 열전 플라스틱은 기존 열전 재료 대비 우수한 열전 성능 지수를 달성할 수 있다.
단결정 Mg3Bi2 열전 재료가 실온에서 최대 100%의 인장 변형률을 보이는 매우 높은 가소성을 가지고 있다.
화학자들이 에너지 부족과 기후 변화 문제 해결을 위해 다공성 재료에 주목하고 있으며, 이러한 재료를 개발하기 위한 새로운 접근법이 제시되었다.
재료 과학 문헌에서 자동화된 정보 추출은 재료의 조성, 구조, 특성, 공정 및 시험 조건을 포함하는 재료 사면체를 완성하는 데 많은 과제를 제시한다.
MatInf은 재료 과학 분야의 데이터 관리를 위한 확장 가능하고 유연한 오픈 소스 솔루션이다.
증강현실 기술을 활용하여 실제 물질 샘플과 연계된 X선 단층 촬영 데이터의 몰입형 분석을 가능하게 하는 새로운 프레임워크를 제안한다. 이를 통해 연구자와 분석가들이 현장에서 직접 물질 특성과 구조를 검사할 수 있다.
이 연구는 전체 주기율표에 걸쳐 다양한 재료의 전자 구조를 정확하게 예측할 수 있는 보편적인 기계 학습 기반 Kohn-Sham 해밀토니안 모델을 제안한다.
복잡 시스템의 고차원 최적화를 위해 확률적 트리 탐색, 동적 상한 신뢰 구간, 단거리 역전파 메커니즘을 도입하여 기존 방법들을 크게 능가하는 성능을 달성하였다.
결정 구조 내 결함의 온도 의존적 행동은 진동 엔트로피와 밀접하게 연관되어 있다. 전통적인 진동 엔트로피 평가 방법은 계산 집약적이어서 실용적 활용이 제한적이다. 이 연구에서는 원자 단위 엔트로피 기여도의 공간적 분해를 통해 진동 엔트로피를 효과적으로 예측할 수 있는 대리 모델을 개발하였다.
온라인 능동 기계 학습 방법을 사용하여 복잡한 상호작용과 복잡한 구성 요소를 가진 시스템의 효과적인 해밀토니안 파라미터를 자동으로 계산할 수 있습니다.