대형 언어 모델을 활용한 다성분 합금 데이터 자동 추출 및 지속가능 설계

초록

**
본 연구는 대형 언어 모델(LLM)을 기반으로 고엔트로피 합금(HEA) 문헌에서 텍스트와 표 데이터를 자동으로 추출하는 파이프라인을 구축한다. 프롬프트 엔지니어링과 검색‑보강 생성(RAG)을 결합해 텍스트 추출에서 F1 ≈ 0.83, 표 추출에서 F1 ≈ 0.88의 성능을 달성했으며, 10 000여 논문으로부터 각각 37 711건·148 069건의 데이터베이스를 구축하였다. 구축된 데이터베이스를 경량 구조재, 연자성 재료, 내식 합금 등 세 분야의 지속가능성 지표와 연계해 기존 상용 합금보다 환경 부담이 낮고 성능이 우수한 후보를 제시한다.

**

상세 분석

**
이 논문은 재료 과학 분야에서 가장 큰 규모의 다성분 합금 데이터베이스를 자동화된 방법으로 구축한 점에서 의미가 크다. 기존의 명시적 규칙 기반 NER/RE 시스템은 개별 엔티티 식별에는 강점이 있으나, 합금 특성은 실험 조건(예: 온도, 변형 속도, 전해질 농도 등)과 복합적으로 연결돼 있어 관계 추출이 어려웠다. 저자들은 이러한 한계를 극복하기 위해 LLM‑기반의 두 단계 파이프라인을 설계했다.

첫 단계(QS1)에서는 논문의 초록·실험 섹션을 대상으로 ‘시스템 지시문’, ‘도메인 정의’, ‘few‑shot 예시’, ‘체인‑오브‑쓰루(Chain‑of‑Thought)’ 프롬프트를 결합했다. 특히 합금 조성 표기법(Al₀.₃Cu₀.₇, AlₓCu₁₋ₓ 등)과 가공·특성 측정 조건에 대한 도메인 정의를 명시함으로써 모델이 문맥을 정확히 파악하도록 유도했다. RAG 기법을 활용해 대상 문단과 가장 유사한 few‑shot 예시를 동적으로 선택함으로써 추출 정확도를 크게 향상시켰다.

두 번째 단계(QS2)에서는 논문에 포함된 표와 캡션·주석을 전처리한 뒤, 350여 개에 달하는 속성 리스트를 기반으로 표‑중심 프롬프트를 적용했다. 여기서도 속성 리스트는 첫 단계에서 얻은 결과를 재활용해 ‘관심 속성’에 집중하도록 설계했으며, 단위 표준화와 다중 단계 후처리를 통해 일관된 데이터 형식을 확보했다.

성능 평가는 전문가가 라벨링한 두 개의 리뷰 논문을 벤치마크로 사용했으며, 텍스트 추출에서 정밀도 0.81·재현율 0.86, 표 추출에서 정밀도 0.98·재현율 0.81을 기록했다. 이는 기존 GPT‑3 기반 연구보다 현저히 높은 수치이며, 특히 표 데이터에서의 높은 정밀도는 실험값을 그대로 활용할 수 있음을 의미한다.

데이터베이스 구축 규모는 10 829편의 논문에서 37 711건(텍스트)·148 069건(표)으로, 현재 공개된 HEA 데이터베이스 중 가장 방대하다. 이를 바탕으로 경량 구조재, 연자성 재료, 내식 합금 세 분야에 대해 공급 위험, 환경 부하, 사회‑경제적 요인을 포함한 지속가능성 지표와 물성(강도, 자성, 부식 전위 등)를 다중 목표 최적화하였다. 결과적으로 기존 상용 합금 대비 생산 과정에서의 탄소 배출·자원 사용량을 20 % 이상 감소시키면서도 목표 물성을 동일 수준 이상 달성하는 후보를 도출했다.

논문 말미에서는 다상 합금, 비표준 기호·약어, 그림에 내재된 수치 등 아직 해결되지 않은 과제들을 언급하고, LLM 기반 파이프라인을 다른 재료계(예: 폴리머, 세라믹)로 확장할 수 있는 가능성을 제시한다. 또한 API 비용·GPU 자원 소모 등 실용적 비용 문제를 논의하며, 오픈소스 모델과 효율적인 프롬프트 설계가 비용 절감에 핵심임을 강조한다.

**