본 논문은 재료 발견 분야에서 기존의 결정 구조 기반 모델의 한계를 극복하기 위해, 원소 조성과 X선 회절(XRD) 데이터를 활용하는 확장 가능한 다중 모드 프레임워크를 제안합니다. 결정 구조 정보 없이도 실험 데이터를 직접 학습하는 이 모델은 모드별 인코더와 크로스 어텐션 융합 모듈을 통합하고, 5백만 개의 샘플로 구성된 Alexandria 데이터셋으로 학습됩니다. 또한, 마스크된 XRD 모델링(MXM)과 대조 학습을 자기 지도 학습 전략으로 활용하여 학습 속도를 최대 4.2배 향상시키고 정확도와 표현 품질을 개선합니다. 다중 모드 모델은 단일 모드 모델보다 데이터셋 크기에 대한 성능 확장성이 더 우수하며, 특히 대규모 데이터셋에서 그 이점이 더욱 두드러집니다. 결론적으로, 본 연구는 재료 과학 분야에서 구조 정보 없이 실험 데이터 기반의 기초 모델을 구축하는 새로운 방향을 제시합니다.
