TabPFN 및 matPFN 분야 최근 연구 동향
TabPFN과 matPFN이 개척한 '사전 데이터 학습 네트워크(PFN)' 및 '인-컨텍스트 러닝(In-Context Learning)' 기반의 재료/표 데이터 AI 분야는 현재 인포매틱스 학계와 산업계에서 가장 뜨겁게 연구되고 있는 영역입니다. 최근 핵심 연구 동향을 크게 3가지 줄기로 요약해 드립니다.
1. '더 큰 데이터와 모델'로의 확장 (Tabular/Material Foundation Models)
ChatGPT처럼 표(Tabular) 데이터와 재료(Materials) 과학 분야에서도 거대 기초 모델(Foundation Model)을 구축하려는 시도가 주류를 이루고 있습니다.
- 스케일업(Scale-up) 연구: 기존 TabPFN은 입력할 수 있는 데이터의 행(샘플 수)과 열(특성 수)에 수학적 한계가 있었습니다. 최근 연구들은 트랜스포머 아키텍처를 개선하여, 수만 개의 행과 수백 개의 변수를 가진 대규모 엑셀 시트도 '학습 없이' 한 번에 처리할 수 있도록 모델의 용량을 확장하는 데 집중하고 있습니다.
- 멀티모달(Multimodal) 재료 AI: matPFN의 발전형으로, 단순히 원소 비율(수치)뿐만 아니라 결정 구조(3D 시각 정보), 분자 그래프, 그리고 관련 논문의 텍스트 데이터까지 동시에 이해하는 통합 모델이 연구되고 있습니다. 소재의 텍스트 설명과 물리적 수치를 함께 입력하면 예측 정확도가 비약적으로 상승하기 때문입니다.
2. 물리 법칙과의 완벽한 융합 (PINN과의 결합 및 P2D 모델 대체)
AI가 데이터의 패턴만 학습하면 물리적으로 말이 안 되는 엉뚱한 예측을 할 때가 있습니다. 이를 해결하기 위해 물리 기반 인공지능(PINN, Physics-Informed Neural Networks)의 메커니즘을 PFN에 이식하는 연구가 한창입니다.
- 배터리 P2D 모델의 실시간 대체: 특히 배터리 소재 개발 분야에서는 뉴먼(Newman)의 전기화학 미분방정식을 아예 AI의 손실 함수(Loss Function)나 사전 학습(Prior) 단계에 내재화합니다. 이를 통해 matPFN 계열의 모델이 질량 보존 법칙, 전하 균형 등을 완벽히 준수하면서도, 기존 전기화학 시뮬레이션보다 수십만 배 빠른 속도로 셀의 열화 및 신뢰성을 예측하는 연구가 성과를 내고 있습니다.
3. 베이지안 최적화(Bayesian Optimization) 및 능동 학습과의 연동
단순히 "이 조합의 성능은 이렇다"라고 예측하는 것을 넘어, "원하는 성능을 얻으려면 다음엔 어떤 조합을 실험해야 하는가?"를 AI가 스스로 제안하는 시스템입니다.
- 초고속 실험 가이드: TabPFN과 matPFN은 예측 속도가 1초 미만으로 극도로 빠르고, 예측값과 함께 '불확실성(Uncertainty, 오차 범위)'을 정확하게 계산해 낼 수 있다는 엄청난 장점이 있습니다. 최근 연구들은 이 장점을 활용해 베이지안 최적화 알고리즘의 두뇌(Surrogate Model) 자리에 PFN을 집어넣습니다.
- 이를 통해 AI가 "다음에는 니켈 비율을 0.83으로 하고 입자 크기를 4.1로 실험해 보세요. 거기가 대박일 확률이 높습니다"라고 최적의 실험 경로를 빛의 속도로 찾아내는 '자율형 실험실(Autonomous Lab)' 연구가 활발히 진행 중입니다.
💡 요약하자면
현재 이 분야는 "더 큰 표 데이터도 처리할 수 있도록 덩치를 키우고(Foundation Model), 물리 법칙을 더 정교하게 탑재하여(Physics-Informed), 궁극적으로는 배터리나 신소재의 최적 조합을 AI가 알아서 찾아내 제안하는 방향"으로 빠르게 진화하고 있습니다.