Command Palette
Search for a command to run...
논문 모음 | 과학 분야 AI의 주요 성과 100여 가지: 2025년까지의 기술 혁신에 대한 간략한 개요
지난 한 해 동안 인공지능과 과학 연구의 관계는 심오하면서도 조용한 변화를 겪었습니다. 실험 설계와 데이터 모델링부터 이론적 추론에 이르기까지, 인공지능은 전례 없는 속도로 과학 연구 과정의 핵심 영역에 침투하여 기존 패러다임으로는 설명하기 어려운 획기적인 결과들을 도출해내고 있습니다. 2025년까지 과학을 위한 인공지능은 더 이상 산발적인 기술적 응용 프로그램의 연속이 아니라, 과학 연구 및 혁신을 위한 명확하고 체계적이며 재사용 가능한 경로로 점진적으로 발전할 것입니다.
이전의 "인공지능 기반 과학 연구" 시도와는 달리, 2025년에는 다음과 같은 중요한 변화가 있을 것입니다.인공지능은 더 이상 단순한 도구가 아니라 과학 연구 패러다임의 일부가 되어가고 있습니다."과학적 발견에 모델을 어떻게 활용할 것인가"를 중심으로 연구가 설계되는 사례가 점점 늘어나고 있으며, 이는 방법론적 혁신과 과학적 가치를 결합한 수많은 고품질 연구 결과로 이어지고 있습니다.
HyperAI는 AI4S 분야의 발전과 혁신에 초점을 맞춰 최첨단 논문들을 체계적으로 분석함으로써 이 흐름의 주요 순간들을 기록합니다. 이를 통해 최신 연구 결과와 방법론을 구조화되고 보편적으로 적용 가능한 방식으로 정리하여 다양한 분야의 독자들이 쉽게 이해할 수 있도록 돕는 동시에, 지속적인 콘텐츠 제공을 통해 더 많은 연구자, 엔지니어, 그리고 연구기관들이 AI가 과학 연구 생산성에 미치는 심대한 영향을 깊이 이해할 수 있도록 기여하고자 합니다.
연말과 새해가 시작되는 이 시기는 한 해를 되돌아보고 미래를 내다보는 중요한 때입니다. 이 글에서는 "HyperAI SuperNeural"에 대해 논의합니다... 2025년에 분석된 과학 분야 최첨단 AI 논문이 책은 생물의학, 의료, 재료화학, 기상학 연구, 천문학 등 다양한 분야를 포괄하며 체계적으로 구성 및 분류되어 있어, 다양한 배경을 가진 독자들이 필요한 정보를 빠르게 검색하고 검토할 수 있도록 편리하게 되어 있습니다.
더욱 최첨단 논문들을 살펴보세요:
연구에 관련된 데이터 세트를 확인하세요:
AI+생명공학
새로운 생성 모델과 새로운 벤치마크는 무질서한 단백질 어셈블리의 예측력을 재정립합니다.
질서-무질서 연속체 전반에 걸친 단백질 앙상블 예측 발전
*원천:바이오아카이브
*작가펩톤, 엔비디아, MIT 등이 참여한 공동 팀.
*종이:
https://www.biorxiv.org/content/10.1101/2025.10.18.680935v1
최초의 인간 피부레이어 데이터 검증NOBLE, 뉴런 모델링 프레임워크기존 속도보다 4200배 빠름
NOBLE – 생물학적 뉴런 모델의 실험적 변동성을 포착하기 위한 생물학적 정보를 활용한 잠재 임베딩 기반 신경 연산자
*원천NeurIPS 2025
*작가취리히 연방 공과대학(ETH Zurich), 캘리포니아 공과대학(Caltech), 앨버타 대학교 등 여러 기관의 공동 연구팀.
*해석:기존 방식보다 4,200배 빠릅니다! ETH 취리히에서 인간 피질 데이터로 검증된 최초의 신경 모델링 프레임워크인 NOBLE을 제안합니다.
*종이:
PLACER는 그래프 신경망으로, 단백질 구조의 이질성을 다룹니다.
PLACER를 사용한 단백질-소분자 구조 앙상블 모델링
*원천미국 국립과학원회보(PNAS)
*작가워싱턴 대학교의 데이비드 베이커 교수 연구팀은
*해석:단백질 구조 이질성의 원자 수준 모델링 과제 해결! David Baker 팀의 PLACER 프레임워크 분석
*종이:
https://www.biorxiv.org/content/10.1101/2024.09.25.614868v2
Squidiff는 다양한 시나리오에 걸쳐 전사체 시뮬레이션을 가능하게 하여 정밀 의학 및 우주 의학 발전에 기여합니다. Squidiff: 확산 모델을 사용하여 세포 발달 및 교란에 대한 반응 예측
*원천：자연 방법
*작가컬럼비아 대학교와 스탠퍼드 대학교의 공동 연구팀
*해석:컬럼비아 대학교와 스탠퍼드 대학교가 힘을 합쳤습니다! Squidiff는 다양한 시나리오의 전사체 시뮬레이션을 가능하게 하여 정밀 의학 및 우주 의학 발전에 기여합니다.
*종이:
https://www.nature.com/articles/s41592-025-02877-y
혈구 영상 분류기와 확산 모델은 임상 전문가의 능력을 뛰어넘어 백혈병 진단을 돕습니다.
혈액 세포 형태의 심층적 생성 분류
*원천:자연
*작가영국 케임브리지 대학교 연구팀
*해석:케임브리지 대학은 혈액 세포 이미지 분류기를 개발했습니다. 이 기술의 확산 모델은 백혈병 탐지에 도움이 되며 임상 전문가의 역량을 뛰어넘습니다.
*종이:
https://www.nature.com/articles/s42256-025-01122-7
Ctrl-DNA 프레임워크는 특정 세포에서 유전자 발현을 "표적 제어"할 수 있도록 합니다.
Ctrl-DNA: 세포 특이적 시스 조절 요소 설계를 위한 제약 조건 강화 학습
*원천NeurIPS 2025
*작가토론토 대학교 연구팀이 창핑 연구소와 협력하여 연구를 진행했습니다.
*해석:토론토 대학과 다른 연구진은 NeurIPS 2025에 선정되어 특정 세포의 유전자 발현을 "목표로 제어"하기 위한 Ctrl-DNA 프레임워크를 제안했습니다.
*종이:
https://arxiv.org/abs/2505.20578
BoltzGen은 다양한 분자 유형의 단백질 접합체 설계를 가능하게 하며, 66% 표적에 대해 나노몰 수준의 친화도를 달성합니다.
BoltzGen: 범용 바인더 디자인을 향하여
*원천:
*작가MIT와 볼츠를 비롯한 여러 기관
*해석:MIT 팀은 BoltzGen을 오픈 소스로 공개하여 다양한 분자 유형에 걸쳐 단백질 결합제를 설계하고 66% 타겟에 대한 나노몰 친화도를 달성했습니다.
*종이:
FusionProt는 새로운 단백질 동적 융합 특성 분석 프레임워크로, 반복적인 정보 교환을 가능하게 하며 여러 작업에서 최첨단 성능을 달성합니다.
FusionProt: 통합된 단백질 표현 학습을 위한 서열 및 구조 정보 융합
*원천:바이오아카이브
*작가이스라엘 테크니온 공과대학 연구팀이 Meta AI와 협력하여 연구를 진행했습니다.
*해석:Meta AI 등은 반복적인 정보 교환을 가능하게 하고 여러 작업에서 SOTA 성능을 달성하는 새로운 단백질 동적 융합 특성화 프레임워크인 FusionProt를 제안했습니다.
*종이:
MorphDiff는 전사체 기반 확산 모델로, 표현형 기반 약물 개발을 가속화합니다.
전사체 기반 확산 모델을 이용한 교란 하에서의 세포 형태 변화 예측
*원천：네이처 커뮤니케이션즈
*작가홍콩중문대학교와 무함마드 빈 자예드 인공지능대학교 등의 연구진
*해석:홍콩 중국 대학과 다른 연구진은 유전자 발현 데이터를 세포 형태 이미지와 연결하여 전사체 유도 확산 모델을 개발해 표현형 약물 개발을 가속화했습니다.
*종이:
https://www.nature.com/articles/s41467-025-63478-z
AlphaPPIMI는 PPI 인터페이스 수정자를 예측하는 방법으로 기존 방법보다 우수한 성능을 보입니다.
Alphappimi: PPI-조절제 상호작용 예측을 위한 종합적인 딥러닝 프레임워크
*원천화학정보학 저널
*작가중국석유대학과 연세대학 공동 연구팀
*해석:중국석유대학 연구팀은 "블라인드 스크리닝"에서 "정밀 위치 선정"에 이르기까지 PPI 인터페이스 수정제 예측 성능이 기존 방법을 능가하는 AlphaPPIMI를 출시했습니다.
*종이:
https://jcheminf.biomedcentral.com/articles/10.1186/s13321-025-01077-2
scSiameseClu는 비지도 단일 세포 클러스터링 작업에서 최첨단 성능을 달성합니다.
scSiameseClu: 단일 세포 RNA 시퀀싱 데이터 해석을 위한 샴 클러스터링 프레임워크
*원천IJCAI 2025
*작가중국과학원, 동북농업대학교, 마카오대학교, 길림대학교 연구팀
*해석:IJCAI 2025 | 7개 데이터 세트 검증: scSiameseClu가 비지도 단일 셀 클러스터링 작업에서 SOTA 성능 달성
*종이:
단백질 서열에서 다중 금속 결합 부위를 효율적으로 예측하기 위해 신경망 프레임워크를 통합합니다.
단백질 서열에서 다중 금속 결합 부위를 효율적으로 예측하기 위한 모듈형 융합 신경망 접근법
*원천:바이오아카이브
*작가홍콩과학기술대학교 연구팀
*해석:홍콩과학기술대학교는 단백질 서열에서 다중 금속 결합 부위를 효율적으로 예측하기 위한 융합 신경망 프레임워크를 제안합니다.
*종이:
ReaSyn은 사고 사슬에서 영감을 얻어 분자 합성을 비유적으로 표현함으로써 초고속 재구성 속도와 경로 다양성을 달성합니다.
연쇄 반응을 통해 분자 합성 가능성에 대한 재고찰
*원천: arXiv
*작가NVIDIA 연구팀
*해석:NVIDIA는 사고 사슬 분자 합성의 비유를 활용하여 매우 높은 재구성 속도와 경로 다양성을 달성하는 ReaSyn을 제안합니다.
*종이:
https://arxiv.org/abs/2509.16084
약물 치료가 어려운 표적을 공략하기 위해 무질서한 영역에 결합하는 단백질을 설계하는 새로운 접근법.
본질적으로 무질서한 영역 결합 단백질의 설계
*원천:과학
*작가데이비드 베이커와 그의 팀
*해석:데이비드 베이커의 팀은 Science에 약물로 치료할 수 없는 표적을 특별히 표적으로 삼아 무질서한 영역 결합 단백질을 설계하는 새로운 접근 방식을 제안했습니다.
*종이:
https://www.science.org/doi/10.1126/science.adr8063
AMix-1은 확장 가능하고 범용적인 단백질 설계를 가능하게 하여 활성이 50배 증가된 단백질 변형체를 생성합니다.
AMix-1: 테스트 시간 확장 가능 단백질 기반 모델로 가는 길
*원천: arXiv
*작가칭화대학교 지능형산업연구소(AIR)의 저우하오 교수 연구팀은 상하이 인공지능 연구소와 협력하여 연구를 진행했습니다.
*종이:
양방향 브라운 브리지 확산 모델은 출력 분산을 크게 줄여 가상 염색 결과의 재현성을 향상시킵니다.
이미징 질량 분석법에서 라벨이 없는 조직의 가상 염색
*원천：과학의 발전
*작가UCLA 연구팀
*해석:UCLA는 가상 염색 결과의 재현성을 개선하고 출력 분산을 크게 줄이기 위해 양방향 브라운 브리지 확산 모델을 출시했습니다.
*종이:
전원자 확산 변환기 ADiT는 주기적 시스템과 비주기적 시스템 사이의 모델링 장벽을 허물어뜨립니다.
모든 원자 확산 변환기: 분자 및 재료의 통합 생성 모델링
*원천ICML 2025
*작가MetaFAIR, 케임브리지 대학교, MIT의 공동 연구팀
*해석:ICML 2025에 선정된 Meta/Cambridge/MIT는 주기적 및 비주기적 원자 시스템의 통합 생성을 최초로 실현하는 전원자 확산 변환기 프레임워크를 제안했습니다.
*종이:
Full-Atom MPNN은 각 아미노산 잔기의 서열 동일성과 측쇄 구조를 명시적으로 모델링합니다.
FAMPNN을 이용한 단백질 전체 원자 서열 설계를 위한 측쇄 조건화 및 모델링
*원천ICML 2025
*작가스탠포드 대학교 연구팀이 캘리포니아주 팔로알토에 있는 아크 연구소와 협력하여 연구를 진행했습니다.
*해석:Stanford 등은 단백질 주쇄와 측쇄 정보를 동시에 처리하여 메시지 전달 신경망을 기반으로 한 전체 원자 구조 모델링을 달성했습니다.
*종이:
La-Proteina는 원자 수준의 단백질 설계에 획기적인 발전을 이루어 최대 800개의 아미노산으로 구성된 단백질을 고정밀로 생성할 수 있게 되었습니다.
La-Proteina: 부분 잠재 흐름 매칭을 통한 원자 수준 단백질 생성
*원천: arXiv
*작가NVIDIA의 연구팀은 캐나다 퀘벡 인공지능 연구소인 밀라(Mila)와 협력했습니다.
*해석:NVIDIA, 원자 수준 단백질 설계에서 획기적인 성과 달성, 높은 정확도로 최대 800개 잔류물의 단백질 생성
심층 학습 모델인 SUICA는 공간 전사체 단면의 어느 위치에서든 유전자 발현을 예측할 수 있습니다.
SUICA: 공간 전사체학을 위한 초고차원 희소 암묵적 신경 표현 학습
*원천ICML 2025
*작가도쿄대학교 정인창 교수 연구팀과 맥길대학교 딩쥔 교수 연구팀.
*해석:데이터 잡음 제거/생물학적 신호 강화/드롭아웃 완화, 딥러닝 모델 SUICA는 공간 전사체 슬라이스의 모든 위치에서 유전자 발현 예측을 달성합니다.
*종이:
새로운 원자 단위 단백질 생성 모델(APM)은 원자 단위 설계 및 기능 최적화를 가능하게 합니다.
단백질 복합체 설계를 위한 전 원자 생성 모델
*원천ICML 2025
*작가후난대학교는 중국과학원대학교 및 바이트댄스의 시드팀과 협력하여 연구를 진행했습니다.
*해석:후난대학교, 중국과학기술대학교, 그리고 바이트댄스는 단백질 생성/접힘/재접힘을 지원하기 위해 모든 원자 설계 및 기능 최적화를 달성하는 APM 모델을 제안했습니다.
*종이:
APEX는 딥러닝 모델로, 잠재적인 항생제 후보 물질을 선별하는 데 사용됩니다.
베노믹스 인공지능을 활용한 항균제 발굴을 위한 전 세계 독액의 전산적 탐색
*원천：네이처 커뮤니케이션즈
*작가미국 펜실베이니아 대학교 연구팀
*해석:펜실베이니아 대학은 동물 독에서 386개의 새로운 항균 펩타이드를 발견하고 잠재적인 항생제 후보물질을 선별하기 위해 딥러닝 모델인 APEX를 개발했습니다.
*종이:
https://www.nature.com/articles/s41467-025-60051-6[*]
단백질 언어 모델인 Prot42는 긴 서열 모델링과 높은 친화성을 가진 결합제 생성을 가능하게 합니다.
Prot42: 타겟 인식 단백질 결합제 생성을 위한 새로운 단백질 언어 모델 패밀리
*원천: arXiv
*작가아부다비의 인셉션 AI 연구소와 실리콘 밸리의 세레브라스 시스템즈의 공동 연구팀.
*해석:8k 길이의 시퀀스 모델링, 단백질 언어 모델 Prot42는 타겟 단백질 시퀀스만을 사용하여 높은 친화도의 결합제를 생성할 수 있습니다.
*종이:
생체 분자 시간-조화 동역학 시뮬레이터인 UniSim이 분자 유형 및 화학적 환경에 관계없이 통합된 시간-조화 동역학 시뮬레이션을 최초로 구현했습니다.
UniSim: 생체 분자의 시간적 동역학을 위한 통합 시뮬레이터
*원천ICML 2025
*작가칭화대학교와 런민대학교 가오링 인공지능대학
*해석:ICML 2025에 선정된 청화대학교/인민대학교는 통합 생물분자 동역학 시뮬레이터인 UniSim을 제안했습니다.
*종이:
86,000개의 단백질 구조 데이터를 기반으로 하는 SimplifiedBondfinder는 양자 역학적 계산을 통합한 기계 학습 방법을 사용하여 69개의 새로운 질소-산소-황 결합을 발견했습니다.
단백질 구조에 대한 체계적인 재평가를 통해 아르기닌-시스테인 및 글리신-시스테인 NOS 결합을 규명함
*원천커뮤니케이션 화학
*작가조지 오거스트 대학교 팀
*해석:86,000개의 단백질 구조 데이터를 기반으로 양자역학 계산과 결합된 머신러닝 방법을 사용하여 69개의 새로운 질소-산소-황 결합을 발견했습니다.
*종이:
https://www.nature.com/articles/s42004-025-01535-w
단백질 서열 생성 모델을 사용하여 중복되는 유전자를 설계하는 것은 성공률이 매우 높습니다.
단백질 서열의 심층 생성 모델을 이용한 중복 유전자 설계
*원천:바이오아카이브
*작가워싱턴 대학교의 데이비드 베이커 팀
*해석:David Baker 팀의 최신 연구는 단백질 서열 생성 모델을 사용하여 매우 높은 성공률로 중복 유전자 설계를 달성했습니다.
*종이:
https://doi.org/10.1101/2025.05.06.652464
PUPS 예측 프레임워크는 단백질 언어 모델과 이미지 복원 모델을 혁신적으로 결합하여 단일 세포 수준의 단백질 위치 파악을 달성합니다.
단일 세포 내 단백질 세포 내 위치 예측
*원천：자연 방법
*작가MIT와 하버드 대학교 팀
*해석:MIT와 하버드는 단백질 언어 모델과 이미지 복원 모델을 통합하여 단일 세포 수준에서 단백질 위치를 파악할 수 있는 PUPS를 공동으로 제안했습니다.
*종이:
분자 종류를 초월하는 최초의 통합 생성 프레임워크인 UniMoMo는 다양한 유형의 약물 분자 설계를 가능하게 합니다.
UniMoMo: 새로운 바인더 설계를 위한 3D 분자의 통합 생성 모델링
*원천ICML 2025
*작가칭화대학교 류양 교수 연구팀이 런민대학교 황원빙 교수 연구팀 및 바이트댄스 AI 제약팀과 협력하여 연구를 진행했습니다.
*해석:ICML 2025에 선정된 청화대/인민대/바이트는 다중형 약물 분자 설계를 달성하기 위해 최초의 교차 분자 통합 생성 프레임워크 UniMoMo를 제안했습니다.
*종이:
딥러닝 프레임워크 STAIG는 종양 미세환경의 상세한 유전 정보를 밝혀냅니다.
STAIG: 도메인 탐색 및 정렬 없는 통합을 위한 이미지 지원 그래프 대조 학습을 통한 공간 전사체 분석
*원천：네이처 커뮤니케이션즈
*작가일본 도쿄대학교 의학연구소 연구팀
*해석:도쿄대 연구팀은 사전 정렬 없이 일괄 효과를 제거하기 위해 딥러닝 프레임워크 STAIG를 개발해 종양 미세환경에서 자세한 유전 정보를 밝혀냈다.
*종이:
https://www.nature.com/articles/s41467-025-56276-0
DRAKES 알고리즘은 강화 학습 프레임워크를 도입하고, 이산 확산 모델에서 생성된 전체 궤적에 대해 미분 가능한 보상 역전파를 최초로 구현합니다.
보상 최적화를 통한 이산 확산 모델의 미세 조정 및 DNA와 단백질 설계에의 응용
*원천ICLR 2025
*작가MIT, 하버드 대학교, 스탠퍼드 대학교, UC 버클리, 그리고 미국에 본사를 둔 유전자 공학 기술 회사인 제넨텍의 연구진이 참여했습니다.
*해석:ICLR 2025에 선정된 MIT/UC Berkeley/Harvard/Stanford는 생물학적 시퀀스 설계의 병목 현상을 극복하기 위해 DRAKES 알고리즘을 제안했습니다.
*종이:
https://doi.org/10.48550/arXiv.2410.13643
머신러닝 기반 자외선 흡수 분광법: SVM 기반 미생물 오염 탐지 모델 구축.
세포 치료 제품의 미생물 오염 분석을 위한 머신러닝 기반 자외선 흡수 분광법
*원천：과학 보고서
*작가싱가포르-MIT 연구 컨소시엄, 싱가포르 A*SRL 연구소, 싱가포르 국립대학교 및 MIT의 공동 연구팀.
*해석:싱가포르 국립대/MIT 등이 SVM 기반 미생물 오염 탐지 모델 구축, 30분 이내 결과 출력
*종이:
https://doi.org/10.1038/s41598-024-83114-y
단백질 사전 훈련을 위한 새로운 패러다임: 단백질 패밀리의 진화 해부
프로파일 베이지안 흐름을 통한 단백질 패밀리 설계 제어
*원천ICLR 2025
*작가칭화대학교 AIR GenSI 연구팀은 칭화대학교 약학대학과 협력하여 연구를 진행하고 있습니다.
*해석:ICLR 2025 Oral에 선정된 Tsinghua AIR의 Zhou Hao 팀은 단백질 패밀리 진화를 해독하기 위한 단백질 사전 훈련에 대한 새로운 패러다임을 제안했습니다.
*종이:
볼츠만 정렬 기술은 최첨단(SOTA) 수준으로 단백질 결합 자유 에너지를 예측합니다.
볼츠만 정렬 역접힘 모델은 단백질-단백질 상호작용에 대한 돌연변이 효과 예측 도구로서 활용될 수 있다.
*원천ICLR 2025
*작가저장대학교 컴퓨터과학기술대학의 선춘화 교수 연구팀은 호주 애들레이드 대학교, 미국 노스이스턴 대학교 등의 연구팀과 협력하여 연구를 진행했습니다.
*해석:ICLR 2025에 선정되었습니다! 저장대학의 션춘화(Shen Chunhua) 등은 볼츠만 정렬 기술을 제안했고, 단백질 결합 자유에너지 예측이 SOTA에 도달했습니다.
*종이:
https://arxiv.org/abs/2410.09543
Proteina의 모델 매개변수는 RFdiffusion보다 5배 뛰어나며, 새로운 단백질 골격 설계에서 최첨단(SOTA) 성능을 달성합니다.
Proteina: 흐름 기반 단백질 구조 생성 모델의 확장
*원천ICLR 2025 구두 발표
*작가NVIDIA, 퀘벡 인공지능 연구소(MILA), 몬트리올 대학교, MIT의 연구팀
*해석:모델 매개변수는 RFdiffusion보다 5배 더 높습니다! NVIDIA와 다른 회사들이 SOTA 성능을 기반으로 처음부터 설계된 단백질 백본인 Proteina를 출시
*종이:
https://openreview.net/forum?id=TVQLu34bdw&nesting=2&sort=date-desc
UniGEM 모델은 확산 모델을 기반으로 두 가지 작업의 협업적 향상을 달성한 최초의 모델입니다.
UniGEM: 분자 생성 및 속성 예측을 위한 통합 접근법
*원천ICLR 2025
*작가칭화대학교와 중국과학원 팀
*해석:칭화팀은 최초로 분자 생성과 속성 예측을 통합하는 성과를 달성했습니다. 이는 2단계 확산 생성 메커니즘을 제안했으며 ICLR 2025에 선정되었습니다.
*종이:
https://openreview.net/pdf?id=Lb91pXwZMR
RFdiffusion은 다시 한번 진화하여 새로운 항체 설계에서 원자 수준의 정밀도를 달성했습니다.
RF 확산을 이용한 원자 수준의 정밀 항체 설계
*원천:바이오아카이브
*작가데이비드 베이커 팀 및 협력자들
*해석:데이비드 베이커 팀의 새로운 성과! RFdiffusion은 원자 수준의 정밀 항체 de novo 설계를 달성하기 위해 진화합니다.
*종이:
https://doi.org/10.1101/2024.03.14.585103
단백질-RNA 언어 모델 융합 방식과 친화도 예측을 결합한 이 새로운 최첨단 표준이 제시되었습니다.
CoPRA: 단백질-RNA 결합 친화도 예측을 위한 복잡한 구조를 가진 교차 도메인 사전 학습 시퀀스 모델 연결
*원천: arXiv
*작가칭화대학교, 유니버시티 칼리지 런던, 모나쉬대학교, 베이징 우정통신대학교의 공동 연구팀
*해석:AAAI 2025에 선정되었습니다! 청화대/UCL은 친화도 예측을 결합하여 SOTA를 새롭게 하는 단백질-RNA 언어 모델 융합 솔루션을 개척했습니다.
*종이:
https://arxiv.org/abs/2409.03773
셀코멘 모델은 공간 전사체 분석에서 최초로 식별 가능한 인과 추론을 달성했습니다.
공간적 인과관계 분리를 통한 공간 전사체학에서 단일 세포 및 조직 교란 효과 추정
*원천ICLR 2025
*작가케임브리지 대학교 연구팀
*해석:ICLR 2025에 선정되었습니다! 케임브리지 대학이 제안한 셀코멘 모델, 공간 전사체 분석에서 인과 추론의 식별 가능성을 처음으로 달성
*종이:
https://openreview.net/forum?id=Tqdsruwyac
AlphaFold-Metainference 방법은 무질서한 단백질 구조 집합을 정확하게 예측합니다.
무질서한 단백질의 구조적 앙상블에 대한 AlphaFold 예측
*원천：네이처 커뮤니케이션즈
*작가케임브리지 대학교 연구팀
*종이:
https://www.nature.com/articles/s41467-025-56572-9
2세대 RNA 구조 예측 알고리즘은 여러 벤치마크 테스트에서 최첨단(SOTA) 기준을 뛰어넘습니다.
복합 언어 모델과 잡음 제거된 엔드투엔드 학습을 이용한 RNA 구조의 초기 예측
*원천:바이오아카이브
*작가싱가포르 국립대학교의 양 장 교수 연구팀
*해석:싱가포르 국립대학교의 장양(Zhang Yang) 팀은 여러 벤치마크 테스트에서 SOTA를 능가하는 2세대 RNA 구조 예측 알고리즘을 개발했습니다.
*종이:
https://www.biorxiv.org/content/10.1101/2025.03.05.641632v1
분자 동역학 시뮬레이션 데이터와 결합된 혁신적인 4차원 확산 모델은 여러 시간 단계에서 단백질 궤적을 동시에 예측할 수 있습니다.
참조 및 동작 안내를 활용한 동적 단백질 구조 예측을 위한 4D 확산법
*원천: arXiv
*작가푸단대학교, 상하이 지능과학기술연구소, 난징대학교 연구팀
*해석:AlphaFolding은 단백질 동적 구조 예측의 빈틈을 메워줍니다! 복단대 등은 4차원 확산 모델을 제안했고, 그 결과가 AAAI 2025에 선정됐다.
*종이:
https://arxiv.org/abs/2408.12419
PepPrCLIP은 표적 단백질과 거의 항상 더 잘 일치하는 펩타이드를 생성함으로써 "약물 개발이 불가능한" 문제를 해결합니다.
대조 언어 모델링을 통한 구조적으로 다양한 표적에 대한 펩타이드 결합제의 새로운 설계
*원천：과학의 발전
*작가듀크대학교 연구팀
*해석:새로운 암 치료법이 개발될 수도 있습니다! 듀크 대학교는 PepPrCLIP을 사용하여 "치료 불가능한" 문제를 해결합니다.
*종이:
https://www.science.org/doi/10.1126/sciadv.adr8638
MOLRL은 강화 학습을 사용하여 목표 분자를 최적화하고 최대 100%의 성공률을 달성합니다(TP3T).
잠재적 강화 학습을 이용한 표적 분자 생성
*원천ChemRxiv
*작가셀레어와 엔비디아 연구팀
*해석:성공률은 100%에 달할 수 있습니다. 약물 개발 회사 Cellarity는 강화 학습을 기반으로 표적 분자를 최적화하기 위해 NVIDIA와 협력했습니다.
*종이:
진화 기반 바이러스 변이 예측 프레임워크인 E2VD 프레임워크는 예측 정확도를 671 TP3T만큼 향상시킵니다.
바이러스 변이 원인 예측을 위한 통합 진화 기반 딥러닝 프레임워크
*원천자연 기계 지능
*작가베이징대학교 정보공학부의 톈용훙 교수와 천제 부교수는 광저우 국립연구소의 저우펑 연구원과 협력하여 박사 과정 학생 니즈웨이와 석사 과정 학생 류쉬둥 등을 지도했습니다.
*해석:Nature 저널에 게재되었습니다! 베이징대 연구팀은 AI를 활용해 코로나19/에이즈/인플루엔자 바이러스의 진화 방향을 예측, 정확도 67% 향상
*종이:
https://www.nature.com/articles/s42256-024-00966-9
AI+헬스케어
의료 에이전트는 GPT-4와 같은 폐쇄형 소스 모델에 비해 환자 상담에서 더 높은 주도성과 관련성을 보여줍니다.
의료 상담 에이전트: 의료 상담을 위해 대규모 언어 모델의 잠재력을 이끌어내기
*원천자연 인공지능
*작가우한대학교와 난양공과대학교 연구팀
*해석:윤리적 보호부터 병력 관리까지, 우한 대학 등은 GPT-4와 같은 폐쇄형 소스 모델보다 사전 대응성과 관련성 측면에서 더 뛰어난 Healthcare Agent를 제안했습니다.
*종이:
ICA-Var의 다변량 분석 방법은 유전자 염기서열 분석과 머신러닝을 기반으로 하는 하수 역학 평가 도구로, 바이러스를 최대 4주 더 일찍 감지할 수 있습니다.
유전체 서열 분석 및 머신러닝을 통한 하수에서 신종 SARS-CoV-2 변이체의 조기 탐지
*원천：네이처 커뮤니케이션즈
*작가네바다 대학교 라스베이거스 캠퍼스 연구팀
*해석:Nature 저널에 게재된 연구에 따르면, 유전자 시퀀싱과 머신 러닝을 기반으로 한 폐수 역학 평가는 최대 4주 일찍 바이러스를 감지할 수 있습니다.
*종이:
https://www.nature.com/articles/s41467-025-61280-5
의료용 GraphRAG이 질문 답변 정확도에서 새로운 기록을 세우며 11개 데이터 세트에서 최첨단(SOTA) 결과를 달성했습니다.
Medical Graph RAG: 그래프 검색 증강 생성을 통한 안전한 대규모 의료 언어 모델 구축
*원천ACL 2025
*작가옥스퍼드 대학교, 카네기 멜론 대학교, 에든버러 대학교의 공동 연구팀
*해석:ACL 2025: 옥스포드 대학교와 다른 대학들이 의료 GraphRAG를 제안하여 질문 답변 정확도에서 새로운 기록을 세우고 11개 데이터 세트에서 SOTA 결과를 달성
*종이:
REVERIE는 최초의 VR 동작 개입 시스템으로, 청소년의 두뇌-신체-정신 건강을 새롭게 변화시키고 있습니다.
과체중 청소년을 위한 적응형 AI 기반 가상현실 스포츠 시스템: 무작위 대조 시험
*원천：네이처 메디신
*작가상하이 자오퉁대학교 의과대학 부속 제6인민병원/사전 건강 전략 개발 연구소의 리화팅 교수 연구팀과 상하이 자오퉁대학교 컴퓨터 과학 기술대학/교육부 인공지능 핵심 연구실의 성빈 교수 연구팀이 상하이 체육대학교의 왕지훙 연구원, 상하이테크대학교/상하이 임상 연구 센터의 쩡룽 교수, 싱가포르 국립대학교의 린슈이더 교수 연구팀과 학제 간 의료 공학 연구를 공동으로 진행해 왔다.
*종이:
https://www.nature.com/articles/s41591-025-03724-5
NeuralCohort 방법은 다차원 EHR 데이터를 기반으로 세밀한 환자 코호트 모델링을 가능하게 하여 입원 기간 예측 정확도를 16.31 TP3T 향상시킵니다.
NeuralCohort: 의료 분석을 위한 코호트 인식 신경 표현 학습
*원천ICML 2025
*작가싱가포르 국립대학교와 저장대학교의 협력
*해석:싱가포르 국립대학교는 다차원 EHR 데이터를 기반으로 세분화된 환자 코호트 모델링을 구현했으며, 병원 체류 예측 정확도가 16.3% 증가했습니다.
*종이:
https://openreview.net/forum?id=bqQVa6VRvm
세계 최초로 HIE 분야에서 개발된 임상 마인드 맵핑 모델이 신경인지 결과 예측 과제에서 15%의 성능 향상을 달성했습니다.
전문적인 수준의 사고 그래프 기반 의학적 추론을 위한 시각적 및 영역 지식
*원천ICML 2025
*작가하버드 의과대학, 보스턴 아동병원, 뉴욕대학교, 그리고 MIT-IBM 왓슨 연구소의 학제 간 연구팀.
*해석:ICML 2025 선정! 하버드 의대 등에서 HIE 분야에서 세계 최초의 임상 마인드맵 모델을 출시하여 신경인지 결과 예측 과제에서 15%의 성능 향상을 보였습니다.
*종이:
https://openreview.net/forum?id=tnyxtaSve5
기가픽셀 병리학적 전체 슬라이스 이미지의 빠른 처리를 위한 계층적 증류 다중 인스턴스 학습 프레임워크 HDMIL
계층적 증류 다중 인스턴스 학습을 이용한 빠르고 정확한 기가픽셀 병리 영상 분류
*원천CVPR 2025
*작가하얼빈 공업대학의 장쥔쥔 교수, 장쿠이 부교수, 장용빙 교수 연구팀
*해석:CVPR 2025에 선정된 HIT 팀은 기가픽셀 병리학 전체 슬라이스 이미지를 빠르게 처리하기 위한 계층적 증류 다중 인스턴스 학습 프레임워크 HDML을 제안했습니다.
*종이:
VesselFM은 3D 혈관 분할을 위해 특별히 설계된 기본 모델로, 제로샷, 싱글샷 및 퓨샷 시나리오에서 기존 최첨단 모델에 비해 우수한 분할 및 일반화 기능을 제공합니다.
vesselFM: 범용 3D 혈관 분할을 위한 기반 모델
*원천CVPR 2025
*작가취리히 대학교, 취리히 연방 공과대학교(ETH Zurich), 뮌헨 공과대학교의 연구진
*해석:성능은 SAM 시리즈 모델보다 훨씬 뛰어납니다. 취리히 대학과 다른 연구진은 일반적인 3D 혈관 분할 기본 모델을 개발했고, 이는 CVPR 2025에 선정되었습니다.
*종이:
800만 건의 실제 데이터 세트를 기반으로 하는 그래프 코딩 방식의 하이브리드 생존 모델은 일관된 특성과 생존 결과를 보이는 하위 표현형을 식별합니다.
실제 데이터와 머신러닝을 활용한 임상 결과 예측 하위 표현형 식별
*원천：네이처 커뮤니케이션
*작가코넬 대학교와 리제네론 제약
*해석:코넬대 연구팀은 800만 건의 실제 데이터를 기반으로 그래프 신경망을 사용해 폐암 환자의 생존율을 정확하게 예측하고 치명적인 3가지 하위 유형을 발견했습니다.
*종이:
https://doi.org/10.1038/s41467-025-59092-8
전략적인 AI 모델을 통합함으로써, 다기관, 다전문 분야의 패혈성 쇼크 환자에서 사망 위험을 정확하게 예측할 수 있습니다.
다기관 후향적 연구에서 패혈성 쇼크에 대한 인공지능 기반 다분야 사망률 예측 모델
*원천:npj 디지털 의학
*작가퉁지병원 및 화중과학기술대학교 퉁지 의과대학 약학보건경영학과 연구팀
*해석:Nature 저널에 게재되었습니다! 화중과학기술대학은 여러 센터와 전문 분야에 걸쳐 패혈성 쇼크의 사망 위험을 정확하게 예측하기 위해 융합 전략 AI 모델을 제안했습니다.
*종이:
혈액 지표를 기반으로 한 두 가지 새로운 암 예측 알고리즘은 15가지 유형의 암을 조기에 예측할 수 있게 해줍니다.
암의 조기 진단을 개선하기 위한 예측 알고리즘 개발 및 외부 검증
*원천：네이처 커뮤니케이션즈
*작가런던 퀸 메리 대학교와 옥스퍼드 대학교 연구팀
*해석:옥스퍼드 대학 등은 746만 명의 성인 건강 데이터를 심층 분석해 혈액 지표를 기반으로 15가지 유형의 암을 조기에 예측하는 조기 검진 알고리즘을 개발했다.
*종이:
다중 에이전트 대화(MAC) 프레임워크는 LLM의 진단 기능을 크게 향상시킵니다.
다중 에이전트 대화형 대규모 언어 모델을 통한 진단 기능 향상
*원천:npj 디지털 의학
*작가쓰촨대학교 서부중국병원, 서부중국 생물의학 빅데이터센터, 저장대학교 의과대학, 베이징 우정통신대학교 등의 연구팀이 참여했습니다.
*해석:쓰촨대 서중국병원 팀은 의사 상담을 시뮬레이션하여 질병 진단을 돕기 위한 다중 에이전트 대화 프레임워크를 개발했습니다.
*종이:
https://www.nature.com/articles/s41746-025-01550-0#Tab6
최초의 완전 모달 의료 영상 재식별 프레임워크가 11개 데이터셋에서 최첨단(SOTA) 성능을 달성했습니다.
통합 의료 영상 재식별을 향하여
*원천:
*작가상하이 인공지능 연구소는 여러 유명 대학과 협력하고 있습니다.
*해석:CVPR 2025에 선정된 Shanghai AI Lab과 다른 연구진은 11개 데이터세트에서 SOTA를 달성한 최초의 전체 모달리티 의료 이미지 재식별 프레임워크를 제안했습니다.
*종이:
https://arxiv.org/pdf/2503.08173
다대일 회귀 모델인 M2OST는 디지털 병리 이미지를 사용하여 유전자 발현을 정확하게 예측합니다.
M2OST: 디지털 병리 이미지로부터 공간 전사체 예측을 위한 다대일 회귀 분석
*원천AAAI 2025
*작가중국 저장대학교 린란펀 교수 연구팀은 저장성 항저우 즈장 연구소 및 일본 리쓰메이칸대학교와 공동으로 연구를 진행했습니다.
*해석:AAAI 2025에 선정된 Zhejiang University는 디지털 병리학 이미지를 사용하여 유전자 발현을 정확하게 예측하는 다대일 회귀 모델 M2OST를 제안했습니다.
*종이:
https://arxiv.org/abs/2409.15092
MindGlide 모델은 다발성 경화증 병변을 정량화할 수 있도록 해줍니다.
다발성 경화증 연구를 위해 임상 MRI 아카이브를 재활용하여 오래된 스캔 이미지에서 새로운 통찰력을 얻을 수 있도록 지원합니다.
*원천：네이처 커뮤니케이션즈
*작가유니버시티 칼리지 런던 팀
*해석:임상 MRI 데이터의 가치를 극대화하기 위해 UCL 팀은 다발성 경화증 병변의 정량화를 달성하기 위해 MindGlide 모델을 제안했습니다.
*종이:
https://www.nature.com/articles/s41467-025-58274-8
일차 진료 의사 교육을 지원하는 데 있어 대규모 모델의 실제 효과에 대한 세계 최초의 전향적 실증 연구.
당뇨병 교육을 위한 대규모 언어 모델: 전향적 연구
*원천과학 게시판
*작가상하이 자오퉁 대학의 성빈 교수 연구팀이 상하이 체육 대학의 마오리쥐안 교수 연구팀, 칭화 대학의 황톈인 교수 연구팀, 상하이 당뇨병 연구소의 자웨이핑 교수 연구팀 등 다양한 분야의 연구진과 협력하여 듀크 대학, 존스 홉킨스 대학, 멜버른 대학 등 세계 유수의 대학 및 연구기관과 공동 연구를 진행했습니다.
*종이:
https://www.sciencedirect.com/science/article/pii/S2095927325000891
AcneDGNet의 딥러닝 알고리즘은 초보 피부과 의사보다 훨씬 뛰어난 정확도를 달성하여 여드름 병변을 감지하고 등급을 매길 수 있습니다.
온라인 및 오프라인 의료 환경에서 중국 인구를 대상으로 한 여드름 병변 탐지 및 중증도 등급 분류 모델 평가
*원천：과학 보고서
*작가베이징대학교 국제병원 피부과 한강원 교수와 그의 연구팀
*종이:
https://www.nature.com/articles/s41598-024-84670-z
다중 모드 의료 영상 분할 모델은 3D 영상의 자동 분할 및 상호 작용을 가능하게 합니다.
VISTA3D: 3D 의료 영상화를 위한 통합 구조 기반 모델
*원천: arXiv
*작가엔비디아는 아칸소 대학교 의과대학, 미국 국립보건원, 옥스퍼드 대학교와 협력하여 연구를 진행했습니다.
*해석:정확도 5.2%로 향상, NVIDIA 등 3D 이미지 자동 분할 및 상호작용 구현을 위한 멀티모달 의료 이미지 분할 모델 출시
*종이:
https://doi.org/10.48550/arxiv.2406.05285
다중 평면 심초음파에서 심장 구조를 정밀하게 분할하면 중복을 효과적으로 줄일 수 있습니다.
EchoONE: 여러 심초음파 평면을 하나의 모델로 분할
*원천CVPR 2025
*작가선전대학교 의과대학 생체의공학과 의료 초음파 영상 컴퓨팅 연구실
*해석:CVPR 2025에 선정되었습니다! 심천대학교 연구팀은 다중섹션 심초음파를 정확하게 분할할 수 있는 EchoONE을 제안했습니다.
*종이:https://arxiv.org/abs/2412.02993
MedFoundation은 현재 가장 많은 매개변수를 보유한 최대 규모의 생의학 언어 모델입니다.
질병 진단 지원을 위한 일반적인 의학 용어 모델
*원천：네이처 메디신
*작가베이징 우정통신대학교, 베이징대학교 제3병원, 삼협대학교
*해석:오픈소스 1,760억 매개변수 일반 의학 언어 모델! BUPT/PKU/중국 싼샤대학은 전문의사와 비슷한 추론 능력을 가진 MedFound를 제안했습니다.
*종이:https://www.nature.com/articles/s41591-024-03416-6
대비 기반 의료 영상 분할을 위한 일반적인 프레임워크.의료 영상의 정확한 분할 구현
ConDSeg: 대비 기반 특징 강화를 통한 일반 의료 영상 분할 프레임워크
*원천AAAI 2025
*작가중국지질과학대학교, 바이두
*종이:
https://arxiv.org/abs/2412.08345
이 시스템은 두 가지 감염성 질환과 열네 가지 비감염성 질환을 포함하는 9개의 벤치마크 데이터 세트에서 최첨단 성능을 보여줍니다.
제로샷 임상 진단을 위한 다중 모드, 다중 영역, 다중 언어 의료 기반 모델
*원천네이처 포트폴리오
*작가옥스퍼드 대학교, 아마존, 로체스터 대학교, 글락소스미스클라인, 웨스트레이크 대학교 의료인공지능연구소
*종이:
https://www.nature.com/articles/s41746-024-01339-7
분류 정확도는 971 TP3T에 달했으며, 이는 인간 관찰자의 821 TP3T보다 훨씬 높은 수치입니다.
딥러닝과 인간 평가자의 비교: 3차원 컴퓨터 단층 촬영 스캔을 이용한 법의학적 성별 추정
*원천：과학 보고서
*작가서호주대학교, 뉴사우스웨일스대학교, 그리고 인도네시아 하사누딘대학교
*해석:정확도는 97%에 도달했습니다. 호주 팀의 새로운 업적은 두개골 CT를 통해 성별을 식별하는 딥러닝을 기반으로 하며 인간 법의학자를 능가합니다.
*종이:
https://www.nature.com/articles/s41598-024-81718-y
정렬이 어긋난 의료 영상 융합을 위한 양방향 단계별 특징 정렬
BSAFusion: 정렬되지 않은 의료 영상 융합을 위한 양방향 단계별 특징 정렬 네트워크
*원천AAAI 2025
*작가쿤밍 과학기술대학교, 중국해양대학교
*해석:AAAI 2025에 선정되었습니다! 다중모달 의료영상의 정렬 및 융합을 실현할 수 있습니다. 국내 2대 대학, BSAFusion 공동 제안
*종이https://arxiv.org/abs/2412.08050 362가지 일반적인 질병을 포괄하는 새로운 계층적 다중 에이전트 프레임워크.
KG4Diagnosis: 의료 진단을 위한 지식 그래프 강화 기능을 갖춘 계층적 다중 에이전트 LLM 프레임워크
*원천AAAI-25 브리지 프로그램
*작가워릭 대학교, 크랜필드 대학교, 케임브리지 대학교, 옥스퍼드 대학교
*종이:https://arxiv.org/abs/2406.05285
AI + 재료화학
10만 개 미만의 구조 데이터 포인트로 학습된 PET-MAD의 원자 시뮬레이션 정확도는 전문 모델에 필적합니다.
PET-MAD는 첨단 소재 모델링을 위한 경량 범용 원자간 포텐셜입니다.
*원천：네이처 커뮤니케이션즈
*작가École Polytechnique Fédérale de Lausanne, 스위스
*해석:스위스 로잔 연방 공과대학(EPFL)은 10만 개 미만의 구조화된 데이터 포인트로 훈련된 PET-MAD를 개발하여 전문 모델에 필적하는 원자 시뮬레이션 정확도를 달성했습니다.
*종이:
https://www.nature.com/articles/s41467-025-65662-7
계산 비용을 절반으로 줄이면 인간의 화학적 추론을 기계가 이해할 수 있는 틀로 형식화할 수 있습니다.
ChemOntology: 반응 경로 검색 속도를 높이기 위한 재사용 가능한 명시적 화학 온톨로지 기반 방법
*원천ACS 촉매
*작가: 홋카이도 대학교, 일본
*해석:계산 비용을 절반으로 줄인 화학 반응 발견 도구인 ChemOntology는 인간의 직관을 시스템에 "인코딩"하여 반응 경로 검색 속도를 높입니다.
*종이:
https://pubs.acs.org/doi/10.1021/acscatal.5c06298
MOF-ChemUnity: 구조화되고 확장 가능하며 유연한 지식 그래프
MOF-ChemUnity: 금속-유기 골격체 연구를 위한 문헌 기반 대규모 언어 모델
*원천：ACS 출판사
*작가:토론토 대학교, 캐나다; 캐나다 국립연구위원회 청정에너지혁신연구센터
*종이:
https://pubs.acs.org/doi/10.1021/jacs.5c11789
Graphermer의 글로벌 어텐션 메커니즘과 CGCNN의 통합
CGformer: 재료 특성 예측을 위한 전역적 주의 집중 기능을 갖춘 트랜스포머 강화 결정 그래프 네트워크
*원천문제
*작가상하이 자오퉁대학교 인공지능 및 미세구조 연구실
*해석:신소재 연구 개발이 가속화되고 있습니다! 상하이 자오퉁 대학 연구팀이 글로벌 어텐션 메커니즘을 통합한 새로운 AI 소재 설계 모델인 CGformer를 개발했습니다.
*종이:
https://www.cell.com/matter/abstract/S2590-2385(25)00423-0
FASTSOLV 모델: 임의의 온도에서 소분자 용해도 예측 구현
확률적 불확실성의 한계에서 데이터 기반 유기물 용해도 예측
*원천：네이처 커뮤니케이션
*작가매사추세츠 공과대학
*해석:MIT 팀은 모든 온도에서 작은 분자의 용해도를 예측하기 위해 원래 모델보다 50배 빠른 FASTSOLV 모델을 제안했습니다.
*종이:
https://www.nature.com/articles/s41467-025-62717-7
MOF 합성 직후에 얻을 수 있는 정보를 활용하여 잠재적인 성능과 응용 분야를 예측합니다.
금속유기골격체 합성과 응용 분야를 다중모드 기계 학습을 이용하여 연결하기
*원천：네이처 커뮤니케이션즈
*작가토론토 대학교, 캐나다
*해석:다중 모드 모델은 새로운 소재와 산업 응용 분야의 매칭을 가속화하여 완전한 결정 구조가 필요 없이 소재의 특성을 예측합니다.
*종이:
https://www.nature.com/articles/s41467-025-60796-0
본 연구에서는 처음으로 메타물질 설계의 세 가지 주요 방식을 동시에 처리할 수 있는 통합 프레임워크를 구축하였다.
UNIMATE: 기계적 메타물질 생성, 속성 예측 및 상태 확인을 위한 통합 모델
*원천ICML 2025
*작가버지니아 공과대학교, 메타 AI
*해석:메타 소재 설계가 혁신을 이루었습니다! Meta AI와 다른 연구진은 토폴로지 생성 및 성능 예측과 같은 작업의 통합 모델링을 최초로 구현한 UNIMATE를 제안했습니다.
*종이:
GeMS는 세계 최대 규모의 질량 분석 데이터 세트로, 2억 개의 분자 질량 스펙트럼을 포함합니다.
DreaMS를 사용하여 수백만 개의 탠덤 질량 스펙트럼에서 분자 표현의 자체 감독 학습
*원천네이처 바이오테크놀로지
*작가체코 과학 아카데미 유기화학 및 생화학 연구소
*해석:체코 과학 아카데미는 2억 개의 분자량 스펙트럼을 포괄하는 DreaMS 모델을 출시하여 세계 최대 규모의 질량 분석 데이터 세트인 GeMS를 구축했습니다.
*종이:
단일 머신러닝 모델에서 일반화된 잠재력과 외부 자극에 대한 반응 함수를 동시에 학습합니다.
전기 응답의 통합 미분 학습
*원천：네이처 커뮤니케이션즈
*작가하버드 대학교, 로버트 보쉬 LLC
*해석:석영에서 강유전체까지, 하버드 대학은 재료의 대규모 전기장 시뮬레이션을 가속화하기 위한 등가 머신 러닝 프레임워크를 제안합니다.
*종이:
LLM을 기반으로 88,000장의 논문에서 14,000가지 물질의 화학적 조성을 추출했습니다.
데이터 기반 이차 및 천연 시멘트질 전구체 재료 스크리닝
*원천커뮤니케이션 자료
*작가매사추세츠 공과대학(MIT)
*해석:MIT 연구팀은 대규모 모델을 사용해 25종의 시멘트 클링커 대체 소재를 선별, 온실가스 배출량을 12억 톤 감축하는 효과를 냈다.
*종이:
포괄적인 SSE 데이터베이스를 LLM 및 ab initio 메타 동역학 시뮬레이션과 결합
데이터 기반 프레임워크와 대규모 언어 모델을 활용하여 고체 배터리 내 이가 수소화물 전해질의 복잡성을 규명합니다.
*원천：Angewandte Chemie-국제판
*작가도호쿠대학교(일본), 쓰촨대학교(중국), 시바우라공업대학(일본)
*해석:중국과 일본 팀은 공동으로 이 문제를 해결하여 대형 모델을 사용하여 수소화물 고체 전해질의 전도 메커니즘을 분석하고 신뢰할 수 있는 활성화 에너지 예측 모델을 확립했습니다.
*종이:
TB 수준의 다성분 고해상도 질량 분석 데이터베이스에서 이온 동위원소 분포를 검색합니다.
테라 규모 질량 분석 데이터의 머신 러닝 기반 해독을 통한 유기 반응 발견
*원천：네이처 커뮤니케이션즈
*작가러시아 과학 아카데미
*해석:러시아 연구팀은 Nature에 게재한 논문에서 기계 학습을 사용하여 수조 개의 질량 분석 데이터를 검색하고 알려지지 않은 화학 반응을 발견했습니다.
*종이:
PXRDnet은 확산 모델 기반의 생성형 인공지능 구조 분석 방법입니다.
확산 모델을 이용한 나노결정 분말 회절 데이터로부터 얻은 초기 구조 해석
*원천천연 소재
*작가컬럼비아 대학교, 스탠퍼드 대학교
*해석:컬럼비아 대학 팀은 나노결정의 종단 간 분석을 달성하기 위해 처음으로 PXRDnet을 제안하고 200개의 복잡한 시뮬레이션 나노결정을 성공적으로 분석했습니다.
*종이:
머신러닝을 기반으로 10가지 유형의 광구동 유기결정을 성공적으로 합성했습니다.
광 구동 유기 결정의 출력력에 대한 머신 러닝 기반 최적화
*원천디지털 발견
*작가일본 와세다대학교
*해석:효율성이 73배 증가했습니다! 일본 연구팀, 머신러닝 기반 광구동 유기결정 10개 개발 성공
*종이:
금속의 전기음향적 상호작용을 성공적으로 예측하여 효율을 5배 향상시켰습니다.
전자-포논 스펙트럼 함수의 강화된 심층 학습을 통해 초전도체 발견 가속화
*원천: npj 전산 재료
*작가플로리다 대학교, 테네시 대학교
*해석:초전도 소재 탐색 효율이 5배 증가했습니다! 플로리다 대학과 다른 대학들은 딥러닝을 사용하여 물질 발견을 혁신하고 그 결과를 Nature에 게재했습니다.
*종이:
https://www.nature.com/articles/s41524-024-01475-4
그래디언트 부스팅 결정 트리 기술은 RHEA 및 RCCA의 항산화 특성을 높은 정확도로 예측하는 데 사용됩니다.
AI 예측 모델을 활용하여 고온 산화 저항성을 위한 내화성 고엔트로피 합금 개발을 발전시키다
*원천스크립타 마테리아
*작가프랑스 보르도 대학교; 일본 국립재료과학연구소; 대만 국립칭화대학교; 벨기에 루벤대학교; 벨기에 WEL 연구소
*해석:고엔트로피 합금의 새로운 발견! 여러 팀이 협력하여 산화 저항성을 고정밀로 예측합니다. 알루미늄/크롬/실리콘 함량을 증가시키면 효과적으로 개선될 수 있습니다.
*종이:
https://doi.org/10.1016/j.scriptamat.2024.116394
국소 메시지 전달과 전역 주의 메커니즘을 결합함으로써 분자의 광전 특성을 정확하게 예측할 수 있다.
RingFormer: 유기 태양 전지 속성 예측을 위한 링 강화 그래프 변환기
*원천AAAI 2025
*작가홍콩 폴리테크닉 대학교
*해석:AAAI 2025에 선정되었습니다! 홍콩 이공대학 연구팀은 그래프 변환기를 기반으로 유기물질 분자의 광전자적 특성을 정확하게 예측합니다.
*종이:
https://doi.org/10.48550/arXiv.2412.09030
무기물 역합성 계획법은 무기물 합성의 효율성과 정확성을 성공적으로 향상시켰다.
검색-역행: 전문가 지식을 활용한 검색 기반 무기 역행 합성
*원천NeurIPS 2024
*작가한국화학기술연구원, 한국과학기술원
*해석:무기물질 역합성의 효율성이 크게 향상되었습니다. 한국팀이 Retrieval-Retro를 출시했고, 그 결과가 NeurIPS 2024에 선정되었습니다.
*종이:
https://doi.org/10.48550/arXiv.2410.21341
확산 모델을 기반으로, 목표 공간 그룹에 따라 구조가 생성됩니다.
무기 재료 설계를 위한 생성 모델
*원천:자연
*작가마이크로소프트
*해석:타겟 속성 재료를 직접 디자인하세요! Microsoft의 MatterGen 모델은 이제 오픈 소스로 출시되어 생성 AI를 통해 재료 역설계의 새로운 패러다임을 재정의합니다.
*종이:
https://www.nature.com/articles/s41586-025-08628-5
AI + 농업, 임업 및 축산
약 15,000종에 달하는 생물종을 포괄하며, 생물음향 분류 및 탐지에 있어 최첨단 기준을 새롭게 정립했습니다.
퍼치 2.0: 생물음향학을 위한 큰부리황새의 교훈
*원천: arXiv
*작가구글 딥마인드, 구글 리서치
*해석:Google DeepMind가 15,000여 종을 포괄하는 Perch 2.0을 출시하여 생물음향 분류 및 감지 분야에서 새로운 최첨단 기술을 선보였습니다.
*종이:
https://arxiv.org/abs/2508.04665
푸리에 변환 및 섀넌 엔트로피와 같은 수학적 이론에 기반한 219개의 새로운 시퀀스 특징 설명자가 처음으로 특징 공간에 통합되었습니다.
PlantLncBoost: 식물 lncRNA 식별을 위한 주요 기능과 정확도 및 일반화 성능의 상당한 향상
*원천새로운 식물학자
*작가산둥공업대학교, 베이징임업대학교, 광둥농업과학원, 상파울루대학교(브라질), 로잘린드 프랭클린대학교(영국), 우메오대학교(스웨덴)
*종이:
AI+ 기상 연구
"점진적 소음 스케줄링"과 "시간 손실 가중치"의 협업 설계 문제가 해결되었습니다.
확률적 날씨 예측을 위한 롤링 확산 모델의 설명
*원천NeurIPS 2025
*작가:엔비디아, 캘리포니아 대학교 샌디에이고
*해석:NeurIPS 2025에 선정된 NVIDIA는 장기 예측 과제를 해결하기 위해 ERDM 모델을 제안했으며, 중장기 예측은 EDM 벤치마크에서 계속해서 선두를 달리고 있습니다.
*종이:
https://doi.org/10.48550/arXiv.2506.20024
새로운 잠재 확산 모델은 높은 정확도의 확률적 단기 및 장기 날씨 예보에 활용될 수 있다.
OmniCast: 다양한 시간 규모에 걸친 날씨 예측을 위한 마스크된 잠재 확산 모델
*원천NeurIPS 2025
*작가UCLA, 아르곤 국립 연구소
*해석:최대 20배 더 효율적입니다! 캘리포니아 대학교는 자기회귀 기상 예측 모델의 오류 누적 문제를 해결하기 위해 OmniCast를 개발했습니다.
*종이:
초정밀 지역 예측 모델을 통해 대부분의 집중 호우 현상을 며칠 전에 예측할 수 있습니다.
뭄바이의 초정밀 극한 강우 예측: 합성곱 신경망 전이 학습 기반 축소 접근법
*원천SSRN
*작가:인도 봄베이 공과대학교, 메릴랜드 대학교
*해석:정확도가 400% 향상되었습니다! 36개 기상 관측소를 기반으로 한 인도 몬순 예측 모델을 통해 도시 단위의 상세 예보가 가능합니다.
*종이:
ACE2는 단 2분 만에 4개월간의 계절별 예보를 완료할 수 있습니다.
재분석 데이터를 기반으로 학습된 기계 학습 기상 모델을 통해 전 세계 계절별 계절을 정확하게 예측합니다.
*원천: npj 기후 및 대기 과학
*작가: 영국 엑서터 해들리 센터, 영국 기상청, 엑서터 대학교, 앨런 인공지능 연구소(Ai2)
*해석:머신러닝 vs. 동적 모델, Ai2의 최신 연구: ACE2는 단 2분 만에 4개월 계절 예측을 완료할 수 있습니다.
*종이:
구형 신호 처리와 은닉 마르코프 앙상블 프레임워크를 결합한 확률적 기계 학습 기반 날씨 예측 시스템
FourCastNet 3: 대규모 확률적 기계 학습 기반 날씨 예측을 위한 기하학적 접근 방식
*원천: arXiv
*작가엔비디아, 로렌스 버클리 국립 연구소, 캘리포니아 대학교 버클리 캠퍼스, 캘리포니아 공과대학교
*해석:NVIDIA/UC Berkeley 등은 1분 안에 15일 예보를 완료하고 단일 카드 초고속 추론을 지원하는 머신 러닝 날씨 예보 시스템 FCN3를 제안했습니다.
*종이:
https://arxiv.org/pdf/2507.12144
고도의 정확도를 갖춘 일기 예보는 기존의 수치 기상 예측 모델에 의존하지 않고도 가능합니다.
종단 간 데이터 기반 날씨 예측
*원천:자연
*작가케임브리지 대학교, 튜링 연구소, 토론토 대학교, 마이크로소프트 과학 지능 연구 센터, 유럽 중기 기상 예측 센터, 영국 남극 조사단, 구글 딥마인드
*해석:Nature, Cambridge University 등은 예측 속도를 수십 배나 높이는 최초의 엔드투엔드 데이터 기반 기상 예보 시스템을 출시했습니다.
*종이:
https://www.nature.com/articles/s41586-025-08897-0
인공지능 + 천문학
합성곱 신경망을 사용하여 7개의 고품질 퀘이사 중력 렌즈 후보를 성공적으로 식별했습니다.
DESI DR1에서 강력한 렌즈 역할을 하는 퀘이사 발견
*원천: arXiv
*작가스탠퍼드 대학교, SLAC 국립 가속기 연구소, 베이징 대학교, 이탈리아 국립 천체물리학 연구소 브레라 천문대, 유니버시티 칼리지 런던, 캘리포니아 대학교 버클리
*해석:스탠포드, 베이징 대학, UCL, UC 버클리는 CNN을 사용하여 810,000개의 퀘이사에서 희귀한 렌즈형 샘플 7개를 정확하게 식별하기 위해 협력했습니다.
*종이:
https://arxiv.org/abs/2511.02009
AION-1: 천문학을 위한 최초의 대규모 다중 모드 기초 모델 패밀리
AION-1: 천문과학을 위한 옴니모달 기초 모델
*원천NeurIPS 2025
*작가캘리포니아 대학교 버클리, 케임브리지 대학교, 옥스퍼드 대학교 등
*종이:
