본 논문은 생성형 인공지능(AI)을 이용한 신소재 발견의 효용성을 평가하기 위해, 기존의 무작위 열거 및 데이터 기반 이온 교환 방식과 확산 모델, 변분 오토인코더, 대규모 언어 모델 기반의 4가지 생성형 기법을 비교 분석했습니다. 기존 이온 교환 방식은 안정적인 신소재 생성에 더 효과적이지만, 기존 화합물과 유사한 결과를 많이 생성하는 반면, 생성 모델은 새로운 구조 프레임워크 제안에 뛰어나며, 충분한 훈련 데이터가 있을 경우 전자 밴드 갭 및 벌크 모듈러스와 같은 특성을 더 효과적으로 목표로 할 수 있습니다. 모든 제안된 구조에 대해 사전 훈련된 기계 학습 모델(범용 원자간 전위 포함)을 이용한 안정성 및 특성 필터링 후처리 단계를 구현하여 모든 방법의 성공률을 크게 향상시켰습니다. 이러한 저비용 필터링 단계는 계산 효율성을 유지하면서 더 효과적인 생성 전략을 위한 실용적인 경로를 제공합니다.
