본 논문은 화학 및 재료 과학 분야에서 데이터 부족 문제를 해결하기 위해, 사전 훈련된 원자 기반 모델(atomistic foundation models)을 활용한 새로운 미세 조정 프레임워크인 MatterTune을 제시합니다. MatterTune은 ORB, MatterSim, JMP, EquformerV2 등 최첨단 기반 모델들을 지원하며, 모듈식 설계, 분산 및 사용자 정의 미세 조정, 다양한 하위 정보학 작업 지원 등의 기능을 제공하여 재료 과학 분야의 다양한 응용 분야에 대한 접근성을 높입니다. 기존의 기하 기계 학습 모델들이 데이터 의존적인 한계를 갖는 것에 반해, MatterTune은 사전 훈련된 모델을 활용하여 데이터가 부족한 문제에서도 효과적인 성능을 보일 수 있도록 설계되었습니다.
