LLM 기반 고엔트로피 촉매 설계 혁신

본 연구는 고엔트로피 합금(HEA) 기반 전기화학적 CO₂ 환원 촉매를 신속히 발굴하기 위해, 대규모 언어 모델인 GPT‑4와 5만 개 이상의 검증된 물질 데이터베이스를 결합한 Retrieval‑Augmented Generation(RAG) 프레임워크를 제안한다. 기존의 DFT 기반 고속 스크리닝은 수천~수만 개 후보를 평가하는 데 수개월~수년이 소요되는 반면, 본 시스템은 자연어 프롬프트와 데이터베이스 검색을 통해 물리·경제적 제약을 자연어 형태로 LLM에 전달하고, LLM이 새로운 조합을 생성하도록 설계되었다. RAG 아키텍처는 먼저 SciBERT 임베딩을 이용해 Materials Project, NOMAD, OC20 등에서 추출한 5만 개 이상의 물질 정보를 768‑차원 벡터로 변환한다. 코사인 유사도와 화학적 필터링(k=20, 최소 3원소, 과전압 < 500 mV)을 통해 고품질 예시를 선택하고, “