본 논문은 기계 학습의 발전이 재료 과학, 특히 재료 설계 및 분석 가속화에 많은 기회를 제공하지만, 고품질 재료 데이터셋의 부족과 높은 비용이 큰 과제임을 지적합니다. 대규모 데이터셋으로 사전 훈련된 기초 모델이 자연어 처리 분야에서 전이 학습을 통해 잠재적 특징을 활용하여 뛰어난 성능을 보였지만, 재료 과학 분야에서는 적용이 제한적입니다. 본 연구는 복합 재료를 위해 특별히 설계된 기초 모델을 제시합니다. 단섬유 복합재료 데이터셋으로 사전 훈련되어 강력한 잠재적 특징을 학습한 이 모델은 제한된 훈련 데이터로도 전이 학습을 통해 균질화된 강성을 정확하게 예측합니다. 또한, 학습된 특징을 구성적 대리 모델인 Interaction-based Material Network로 전이하여 재료의 비선형 거동을 효과적으로 예측합니다. 이러한 결과는 본 기초 모델이 복잡한 재료 거동을 포착할 수 있는 잠재력을 보여줍니다. 본 연구 결과는 복합 재료에서 기초 모델의 실현 가능성과 효과를 입증하며, 향후 더 복잡한 3차원 복합 재료, 다결정 재료 등으로 확장될 것으로 예상됩니다. 실험 데이터가 부족한 경우에도 높은 정확도의 예측을 가능하게 하여, 보다 효율적이고 비용 효과적인 재료 설계 및 분석의 길을 열어줍니다.
