<?xml version="1.0" encoding="UTF-8"?><rss version="2.0">
	<channel>
		<title>MICC</title>
		<link>https://micc.snu.ac.kr</link>
		<description>Machine Intelligence and Coumputational Chemistry Lab</description>
		
				<item>
			<title><![CDATA[260306_이정욱_GPU Parallelism]]></title>
			<link><![CDATA[https://micc.snu.ac.kr/?kboard_content_redirect=255]]></link>
			<description><![CDATA[]]></description>
			<author><![CDATA[jeongwooklee]]></author>
			<pubDate>Thu, 19 Mar 2026 16:31:13 +0000</pubDate>
			<category domain="https://micc.snu.ac.kr/?kboard_redirect=15"><![CDATA[Journal Club]]></category>
		</item>
				<item>
			<title><![CDATA[260123_최준영_Foundation_models_for_Materials_Science]]></title>
			<link><![CDATA[https://micc.snu.ac.kr/?kboard_content_redirect=254]]></link>
			<description><![CDATA[]]></description>
			<author><![CDATA[jun0129]]></author>
			<pubDate>Tue, 17 Mar 2026 11:24:48 +0000</pubDate>
			<category domain="https://micc.snu.ac.kr/?kboard_redirect=15"><![CDATA[Journal Club]]></category>
		</item>
				<item>
			<title><![CDATA[발표면접복기_SDI]]></title>
			<link><![CDATA[https://micc.snu.ac.kr/?kboard_content_redirect=253]]></link>
			<description><![CDATA[기술면접(발표면접) 복기 (대면으로 진행되었습니다.)

발표 후 질의응답 진행.

Q. universal MLP를 어떻게 fine-tuning 했는지

Q. 액체 전해질에 MLP를 사용하는 것이 실질적으로 활용 가능한 수준인지, 아니면 아직 추가적인 연구가 더 필요한 단계인지 (회사 입장에서는 실질적인 가치, 즉 실용적으로 활용 가능한지에 대한 취지의 질문으로 보였음)

Q. 고체 전해질 위주로 설명했는데, 다소 흔히 보이는 사례 같다는 의견과 함께 배터리에는 다른 재료들도 많은데 그런 시스템에도 적용할 수 있는지

Q. SEI 형성과 같은 반응 과정 모사에서도 MLP가 반응을 잘 기술할 수 있을 것 같은지

Q. 실제 재료 연구에서는 합성 가능성도 중요한데, 해당 연구실이 그 부분으로 유명한데 관련해서 해본 것이 있는지

Q. 연구를 주로 혼자 진행한 것처럼 보이는데 공동 연구 경험은 있는지, 공동 연구를 하면서 느낀 장점은 무엇인지, 그리고 연구를 혼자 진행하게 된 특별한 이유가 있는지

Q. 액체 전해질의 경우 AIMD와 직접 비교하기 어렵고 실험값과 비교한다고 했는데, 그렇다면 fine-tuning을 실험값에 맞게 하는 것인지
A. 액체 전해질도 결국 DFT 데이터셋을 기반으로 학습한다는 취지로 답변함.

Q. 고엔트로피 고체 전해질의 경우 디자인 룰 같은 것이 있는지, 왜 고엔트로피가 이온 전도도에 유리할 수 있는지, 그리고 원소 선택은 단순히 구조적으로 들어갈 수 있을 것 같은 원소들을 넣어서 진행한 것인지
A. 맞다고 답변함.

Q. 학계나 연구 쪽이 아니라 회사에 가고 싶은 이유

Q. 여러 배터리 회사들 중에서 이 분야에 관심을 갖게 된 이유

Q. 왜 해당 연구실을 선택하게 되었는지]]></description>
			<author><![CDATA[jun0129]]></author>
			<pubDate>Tue, 17 Mar 2026 11:16:20 +0000</pubDate>
			<category domain="https://micc.snu.ac.kr/?kboard_redirect=37"><![CDATA[interview]]></category>
		</item>
				<item>
			<title><![CDATA[전화면접복기_삼성AI센터]]></title>
			<link><![CDATA[https://micc.snu.ac.kr/?kboard_content_redirect=252]]></link>
			<description><![CDATA[전화 면접 복기

Q. 자기소개에서 말한 “실질적인 가치”가 무엇인지 예를 들어 설명해 달라.
A. 배터리 소재를 예로 들면, 고체전해질에는 여러 가지 중요한 물성이 요구된다. 그중 일부는 어느 정도 연구가 많이 되어 있지만, 실제 상용화에 더 중요한 물성들(예: 전기화학적 안정성, 수분 안정성 등)은 연구가 어렵기 때문에 상대적으로 덜 다뤄지는 경우가 많다. 그러나 이런 문제들을 해결해야 결국 상용화에 가까워질 수 있다고 생각한다.

또 다른 예로 MLFF의 경우 정확도뿐 아니라 계산 속도도 매우 중요한데, 이 부분은 아직 충분히 다뤄지지 않은 측면이 있다. 이러한 문제들을 해결해야 실제로 실용적인 시뮬레이션이 가능하다고 생각하며, 그런 의미에서 “실질적인 가치”라는 표현을 사용했다.

Q. 회사 팀 내부적으로 MLFF를 적용하면 되지 않느냐고 하면, 실제로는 그걸 하는 데 1년 정도 걸린다고 한다. 그 기간을 줄이려면 어떻게 해야 할까?
A. MLFF 구축 과정에서 가장 많은 시간이 소요되는 부분은 데이터 생성이라고 생각한다. 그래서 가능한 한 적은 데이터로도 잘 동작하는 MLFF를 만들 수 있는 방법을 딥러닝 기법을 활용해 연구해 보고 있다. 아직 시작 단계라 구체적인 결과는 없지만 현재 진행 중이다.

또 하나는, MLFF를 구축한 이후에도 MD 시뮬레이션 자체의 계산 비용이 여전히 큰 경우가 있다. 이를 해결하기 위해 모델 경량화와 같은 연구들도 진행되고 있는 것으로 알고 있으며, 아직 직접 수행하고 있지는 않지만 관심 있게 보고 있다.

Q. Active learning이나 test-time adaptation 같은 접근도 있는데, 어떤 방향을 생각하고 있는가?
A. Active learning은 비교적 많이 사용되는 방식이라, 개인적으로는 test-time adaptation과 같은 domain adaptation 접근을 염두에 두고 있다. 실제로 그 방향의 연구를 진행하고 있다.
면접관도 해당 분야(test-time adaptation)를 연구하고 있어서 관련 질문을 했다고 했다.

Q. 계산값과 실험값의 차이도 분석하는가?
A. 당연히 분석한다. MLFF를 사용하는 목적 중 하나도 바로 그런 계산–실험 간의 간극을 줄이기 위해서다.

Q. 수치적으로 어느 정도 차이가 나며, 얼마나 줄일 수 있었는지 설명할 수 있는가?
A. 기존 방식의 경우 작은 경우에는 약 한 자릿수 배 정도, 큰 경우에는 몇 order 수준의 차이가 나는 경우도 있었다. 이는 시뮬레이션의 엄밀성이 충분하지 않기 때문이라고 생각한다.

고체 전해질의 경우 그런 차이가 있었고, 액체 전해질에서는 주로 정성적인 경향 비교를 수행했다.

Q. (추가 질문들 — 정확한 내용은 기억나지 않음)
A. 예를 들어 리튬 이온이 존재하면 주변에 용매 분자나 음이온이 배위 구조를 형성하게 된다. 이 배위 구조는 배터리 성능에 중요한 요소다. 실험에서는 보통 용매 중심 배위인지, 음이온 중심 배위인지 정도만 확인할 수 있다.

MD 시뮬레이션을 수행하면 정확히 몇 개의 용매 분자가 배위하는지와 같은 보다 구체적인 정보를 얻을 수 있다. 그런데 기존 방식의 MD에서는 실험에서 관측되는 경향과 맞지 않는 경우가 있었다. 예를 들어 실험에서는 음이온 중심 배위가 관찰되는데, 기존 MD에서는 반대로 예측되는 식이다.

MLFF를 사용한 MD에서는 이러한 경향이 실험 관측과 일치하는 결과를 얻을 수 있었다.

Q. 계산–실험 간의 간극을 줄이기 위한 연구에는 어떤 것들이 있는가?
A. MLFF 자체를 구축하고 개선하는 연구가 기본적으로 그런 목적을 가지고 있다.

Q. MLFF를 사용해도 잘 맞지 않는 경우가 있지 않나?
A. 그럴 수 있다. 예를 들어 시뮬레이션 셀 크기나 시간 스케일이 실제 실험과 다르기 때문에 발생하는 오차도 있다. 이를 줄이려면 더 큰 시스템과 긴 시간 스케일을 다뤄야 하는데, 결국 MLFF의 계산 효율성 개선이 중요해진다. 현재 직접 수행하고 있는 연구는 아니지만 중요한 문제라고 생각하고 관심 있게 보고 있다.

Q. 정유성 교수님 연구실은 원래 생성모델이나 유기 반응 연구를 많이 했던 것으로 아는데, MLFF 외에 다른 데이터 기반 연구 경험도 있는가?
A. 실제로 우리 연구실은 MLFF를 비교적 최근에 시작했다. 연구실에서는 내가 MLFF를 처음 시도한 사람 중 하나다. 개인적인 연구 관심과 교수님의 관심, 그리고 여러 타이밍이 맞아 시작하게 됐다.

MLFF 외에도 데이터 기반 연구를 몇 가지 진행했다. 예를 들어 연구실에서 진행했던 고체 결정구조 합성가능성 연구를 확장해, 고체 전해질 소재의 합성 가능성을 예측하는 연구를 수행했다. 합성된 물질과 가상의 물질 데이터를 이용해 합성 가능 여부를 분류하는 모델을 만드는 작업이다.

또 현재는 배터리 쿨롱 효율을 예측하는 연구를 진행하고 있다. 전해질 조성에 따라 배터리 성능이 크게 달라지는데, 그중 중요한 지표가 쿨롱 효율이다. 전해질 배합 정보를 입력으로 받아 쿨롱 효율을 예측하는 모델을 만들고, 장기적으로는 이를 이용해 쿨롱 효율을 최적화할 수 있는 전해질 조성을 찾는 것을 목표로 하고 있다. 이 연구는 실험팀에서 배터리를 제작해 쿨롱 효율을 측정하면 그 데이터를 받아 진행하고 있다.

Q. 실험 데이터는 tabular 형태인가?
A. 그렇다.

Q. 데이터는 얼마나 빨리 축적되는가?
A. 상황에 따라 다르지만, 약 100개의 datapoint를 얻는 데 두 달 정도 걸린다고 들었다.

Q. 현재 데이터 규모에서는 어떤 모델을 사용했는가?
A. 현재 약 30개의 datapoint가 있어서, 우선 랜덤 포레스트와 같은 전통적인 모델을 적용해 보았다. 또한 feature importance 등을 분석해 보았다.

Q. Feature importance 결과는 실험팀이 보기에도 타당한가?
A. 실험팀에서도 전반적으로 납득 가능한 결과라고 이야기했다. 나 역시 해당 분야 전문가 수준의 지식은 아니지만, 상당히 합리적인 결과라고 느꼈다.

Q. 실험팀 데이터로 예측 모델만 만드는 것인지, 아니면 새로운 실험을 제안하기도 하는가?
A. 궁극적인 목표는 새로운 조성을 제안하는 것이다. 현재는 데이터 기반 예측 모델을 구축하는 단계지만, 모델이 어느 정도 안정화되면 이를 활용해 새로운 실험 조건을 제안하려고 한다.

Q. 실험팀과 협업하면서 소통 문제는 없었는가? 실험 연구자들이 AI를 잘 신뢰하지 않는 경우도 있는데.
A. 실험팀이 비교적 ML에 우호적인 편이었지만, 그래도 내가 할 수 있는 것과 없는 것을 명확히 설명하려고 했다. 처음에는 실험팀이 기대한 목표가 더 컸는데, 현실적인 범위로 조정하면서 협업을 진행했다.

면접관 코멘트: 현장 협업 경험을 미리 해본 점이 좋은 것 같다고 언급.

Q. MLFF 검증은 보통 어떻게 하는가? 단순히 test set 에러를 낮추는 방식만으로는 성능을 과대평가할 수 있지 않나?
A. MLFF도 일반적인 딥러닝처럼 train/validation/test set으로 나누어 학습하지만, test set 에러만으로 성능을 평가하는 것은 충분하지 않다는 것이 어느 정도 알려져 있다.

그래서 나는 학습된 MLFF로 MD 시뮬레이션을 수행한 뒤, 그 결과로 얻은 구조들에 대해 다시 DFT 계산을 수행해 energy와 force가 일관되게 재현되는지 확인하는 방식으로 검증하고 있다.]]></description>
			<author><![CDATA[admmicc]]></author>
			<pubDate>Fri, 13 Mar 2026 15:48:52 +0000</pubDate>
			<category domain="https://micc.snu.ac.kr/?kboard_redirect=37"><![CDATA[interview]]></category>
		</item>
				<item>
			<title><![CDATA[발표면접복기_삼성AI센터]]></title>
			<link><![CDATA[https://micc.snu.ac.kr/?kboard_content_redirect=251]]></link>
			<description><![CDATA[기술면접(발표면접) 복기 (면접은 화상으로 진행되었습니다.)

(최영상님)

Q. AIMD 대비 속도 개선이 약 20배 정도에 그친 이유는 무엇인가?
A. 우선 범용 MLFF 자체가 생각보다 빠르지 않은 경우가 있다. 또 단일 계산만 보면 개선 폭이 크게 보이지 않을 수 있지만, 실제 연구에서는 여러 조성이나 구조를 스크리닝해야 하는 경우가 많기 때문에 전체적인 계산 효율은 그보다 더 크게 개선되는 측면이 있다.

Q. p-M3GNet으로 MD를 하면 이온전도도가 실제와 열 배 정도 차이날 정도로 맞지 않는 경우도 있는데, 그런 상태에서 어떻게 fine-tuning 데이터를 만든다는 것인가?
A. p-M3GNet MD는 기본적으로 MD 스냅샷을 얻기 위한 용도로 사용했다. 이후 해당 구조들에 대해 DFT 계산을 다시 수행하기 때문에 energy와 force에 대한 정답 레이블은 정확하게 얻을 수 있다. 따라서 초기 MD가 완벽하게 정확할 필요는 없다.

또한 최종적으로 학습된 모델의 불확실성이 낮고 실제 계산에서도 잘 동작했기 때문에 데이터셋 자체는 유효하다고 판단했다. 그리고 p-M3GNet MD에서는 AIMD에서는 잘 나오지 않을 것 같은 구조들이 생성되기도 하는데, 이런 경우를 걸러내기 위해 구조 안정성이 무너지는지를 정량적으로 확인하는 기준을 두고 필터링했다.

Q. 그러면 불확실성이 높은 구조들을 걸러낸 것인가?
A. 그 의미는 아니라고 설명했다. 다만 이 부분은 당시 질문 의도를 정확히 파악하지 못해서 답변이 명확하지 않았던 것 같다.

지금 다시 생각해보면, 당시 질문을 하셨을 때 내가 어떤 방식으로 데이터를 만들었는지를 충분히 이해하지 못하셨을 가능성도 있다고 느꼈다. MLFF 학습 데이터 생성 과정에서는 AIMD, classical MD, 또는 범용 MLFF MD 등 어떤 방법이든 구조적으로 합리적인 샘플을 충분히 얻을 수 있다면 효율적인 방법을 사용할 수 있다. 어차피 이후에 DFT 계산을 통해 정확한 energy와 force 레이블을 다시 계산하기 때문이다. 다만 이런 과정은 실제로 MLFF나 DFT 기반 시뮬레이션을 직접 해보지 않으면 직관적으로 이해하기 어려운 부분일 수도 있다고 느꼈다.

(남자 두 분)

Q. 범용 MLFF를 활용한 고체 전해질 연구를 진행하면서 어려웠던 점은 무엇이었는가?
A. 처음에는 fine-tuning 데이터셋을 만들 때 p-M3GNet MD에서 얻은 구조들을 바로 사용했다. 물론 각 구조에 대해 DFT 계산은 수행했지만, 그 상태에서는 fine-tuning이 잘 되지 않았다. 그래서 앞서 설명한 것처럼 구조 안정성을 정량적으로 평가하는 기준을 만들어 일부 구조들을 필터링하게 되었고, 이후에는 학습이 정상적으로 진행되었다.

추가로 p-M3GNet MD로 얻은 구조가 AIMD에서 얻는 구조와 크게 다르지 않다는 점을 설명하기 위해 준비해 둔 보충 슬라이드를 보여주면서 설명하기도 했다.

Q. 마지막에 실험팀과 진행한 두 연구에서 본인이 맡은 역할은 무엇인가?
A. MLFF 기반 시뮬레이션 연구에서는 MLFF를 구축하고 MD 시뮬레이션을 수행하는 부분을 내가 담당했다. 실험팀에서는 비교 가능한 실험 결과를 제공해 주었다.

(김호경님)

Q. 실험팀에서 제공한 데이터가 능동학습 과정에 도움이 된 부분이 있는가?
A. 이 질문에는 BAMBOO에서 사용하는 density alignment 개념을 간단히 설명하면서 답변했다.

Q. 7개의 전해질을 테스트할 때 실험 데이터가 충분했는지?
A. 질문 의도를 정확히 이해하지 못한 상태에서 답변했던 것 같다. 전산 모사를 통해 실험 결과를 재현한다는 것이 어떤 의미인지에 대한 관점 차이가 있었던 것처럼 느껴졌다. 당시에는 일반적으로 계산 결과를 실험 결과와 비교하는 방식 등을 언급하면서 답변했지만, 지금 생각해보면 질문을 충분히 이해하지 못한 상태에서 설명을 했던 것 같다.

전체적으로 김호경님과는 소통이 매끄럽지 않았다는 느낌이 들었다. 나중에 생각해보면 “전산 모사 결과가 실험을 잘 재현한다는 것을 무엇으로 판단했는가, 그리고 그것이 충분히 검증된 것인가”와 같은 취지의 질문이었을 가능성도 있다. 그러나 질문 중에 데이터 포인트 개수 등의 이야기가 나와서 정확한 의도를 파악하지 못했다. 이후에 들은 이야기로는 해당 분이 전산 모사 분야 배경이 거의 없다고 해서, 질문과 답변 사이에 서로 이해가 완전히 맞지 않았던 부분이 있었던 것 같다는 생각이 들었다. 이전 전화면접 때도 비슷한 느낌이 있었다.

A. 앞서 설명했던 질문에 이어서, 두 번째 연구에서는 전해질 정보를 입력으로 받아 쿨롱 효율을 예측하는 모델을 만드는 작업을 수행했다. 또한 feature importance 분석을 했고, 모델의 입력 표현자 중 일부는 MD 시뮬레이션을 통해 전해질의 벌크 특성을 계산해 생성했다. 이러한 부분들을 내가 담당했다.

(최영상님)

Q. 마지막 연구에서 모델 입력을 만들기 위해 MD를 수행했다고 했는데, 이런 작업에는 특별한 기술이나 노하우가 필요한가?
A. 해당 MD는 classical MD인데, 이런 시뮬레이션은 파라미터 설정에 따라 결과가 달라지는 경우가 있다. 이런 부분들은 논문에 자세히 설명되어 있는 경우가 많지 않고, 실제로 시뮬레이션을 수행하면서 시행착오를 통해 익혀야 하는 경우가 많다. 그런 과정을 통해 얻은 경험이 일종의 노하우라고 생각한다고 설명했다.

(남자 두 분)

Q. JACS Au에 foundation model 관련 논문을 쓰셨던데, 그 내용은 발표에 포함되지 않은 이유가 있는가?
A. 해당 논문은 perspective 논문이어서 연구 결과를 직접 보고하는 논문은 아니기 때문에 발표에는 포함하지 않았다고 설명했다. 다만 관련 질문이 있으면 답변할 수 있다고 말했다.

Q. 거기에서 다루는 물성 예측이나 inverse design 모델 중 실제로 사용해 본 것이 있는가, 아니면 리뷰 형태로 조사만 한 것인가?
A. 범용 MLFF 관련 모델들은 실제로 사용해 본 경험이 있지만, 나머지 모델들은 직접 사용해 본 적은 없다고 답변했다.

Q. 그래도 관심은 있는가?
A. 관심은 많이 있다고 답변했다.

(김호경님)

Q. 향후 계획에서 MLFF 외에 다른 data-driven 접근을 할 계획은 없는가?
A. 우선 앞서 설명한 것처럼, 전해질 조성으로부터 쿨롱 효율을 예측하고 이를 최적화하는 연구는 MLFF와는 다른 data-driven 접근이라고 볼 수 있을 것 같다. 그 외에는 현재 시점에서 MLFF와 완전히 별개의 연구로 구체적으로 계획된 것은 없지만, 향후 기회가 된다면 다양한 데이터 기반 접근을 시도할 수 있다고 생각한다고 답변했다.]]></description>
			<author><![CDATA[admmicc]]></author>
			<pubDate>Fri, 13 Mar 2026 15:48:27 +0000</pubDate>
			<category domain="https://micc.snu.ac.kr/?kboard_redirect=37"><![CDATA[interview]]></category>
		</item>
				<item>
			<title><![CDATA[전화면접복기_SDI]]></title>
			<link><![CDATA[https://micc.snu.ac.kr/?kboard_content_redirect=250]]></link>
			<description><![CDATA[전화면접 복기

회사 측에서 설명해준 내용

- 시뮬레이션 그룹은 1그룹과 2그룹으로 나뉘어 있으며, 그중 1그룹이 소재 개발 관련 업무를 담당한다고 설명했다.
- 최근 Materials discovery 분야가 새로 생겼다고 한다. Ceder 그룹 등에서 AI를 활용한 소재 설계 가능성이 세계적으로 주목받는 흐름에 맞추어, 회사에서도 관련 분야를 빠르게 확대하고 있으며 이러한 소재 개발 역량을 차별화 포인트로 가져가려 한다는 취지로 설명했다.
- 우리 연구실에서 진행하는 합성 가능성 관련 연구에도 관심을 보였고, 자율실험실과 같은 방향의 연구에도 관심이 있다고 언급했다.
- 부서 구성원들은 다양한 전공 출신이라고 했다. 부서 자체가 여러 종류의 시뮬레이션 업무를 수행하기 때문이라고 설명했다. 다만 설명을 듣기로는 인공지능이나 머신러닝을 전공한 인원이 특별히 많은 것은 아닌 듯했다. 최근 입사하는 인력들은 머신러닝 관련 기본 소양을 갖춘 경우가 많고, 회사 내부에서도 관련 역량을 빠르게 확보하려는 분위기라고 했다.

질문 내용

- 우선 졸업 예정 시기에 대한 질문이 있었고, 아래는 그 이후 질문 내용이다.

Q. 주로 전해질 분야에서 MLP를 적용한 연구를 해왔는데, 배터리에는 양극재 등 다양한 소재가 있다. 이런 방법이 다른 소재에도 적용 가능한가?
A. MLP를 사용하는 방법론 자체는 특정 소재에만 국한된 것은 아니기 때문에 다른 소재에도 충분히 적용 가능하다고 설명했다. 다만 각 소재의 물리적 특성이나 시뮬레이션 환경이 다르기 때문에, 실제 적용 과정에서는 해당 소재 특성에 맞는 튜닝이 필요할 것이라고 답변했다.

Q. (MLP 관련 질문) 데이터 생성과 관리가 연구실 내에서 어떤 체계적인 방식으로 이루어지는지, 아니면 필요할 때마다 데이터를 만들어 사용하는 방식인지?
A. 연구실에서 MLP 관련 연구를 하는 사람이 거의 나 혼자였기 때문에 데이터 생성과 관리도 대부분 내가 담당해 왔다고 설명했다. 특정 시스템에 대한 연구가 필요하면 그때그때 데이터를 생성하는 방식이기는 했지만, 나름대로 일관된 방식으로 관리하려고 했다. 다만 여러 사람이 공유하는 플랫폼 형태라기보다는 개인적으로 작성한 코드와 워크플로를 사용해 관리하는 형태였다.

이후에도 비슷한 맥락에서 이러한 연구들을 대부분 혼자 수행한 것인지 질문이 이어졌다. 배터리 관련 MLP 연구는 대부분 내가 중심이 되어 진행했고, 최근에는 MLP에 관심 있는 연구실 학생들이 생겨서 방법론적인 부분은 함께 논의하거나 일부 협업을 하고 있다고 설명했다.

Q. 그러면 이런 연구들을 독립적으로 수행해 왔다고 이해하면 되는가?
A. 질문에서 말하는 “독립적”이라는 표현의 의미를 정확히 파악하지는 못했지만, 개인 연구 중심으로 진행했느냐는 의미로 이해하고 답변했다. 일부 연구는 과제로 시작된 것이기도 하지만, 실제 연구 수행 과정에서는 대부분 내가 중심이 되어 진행했다는 점에서 독립적으로 수행했다고 볼 수도 있다고 설명했다.

Q. Nat. Rev. Mater. 논문에 공저자로 포함되어 있는데 어떤 기여를 했는가?
A. 해당 논문은 리뷰 논문이기 때문에 별도의 연구 결과를 수행한 것은 아니라고 설명했다. Disordered 구조의 합성 가능성에 관한 내용을 몇 문단 정도 작성했고, 이는 고체 전해질 합성 가능성 연구를 진행하면서 고민하게 된 주제와 관련이 있었다.

Q. Disordered 물질이 고체 전해질뿐 아니라 양극재에서도 최근 많이 활용되고 있고, 고엔트로피 재료에도 관심이 많은 것으로 보이는데 그런 연구를 진행하고 있다고 이해하면 되는가?
A. 고엔트로피 고체 전해질을 발굴하는 연구를 진행한 경험이 있다고 설명했다. 현재 구체적으로 계획된 후속 연구가 있는 것은 아니지만 해당 분야에는 지속적으로 관심을 가지고 있고, 연구실에도 고엔트로피 재료를 다뤘던 동료가 있어서 관련 내용을 함께 공부하고 논의해 본 경험이 있다고 답변했다.]]></description>
			<author><![CDATA[admmicc]]></author>
			<pubDate>Fri, 13 Mar 2026 15:47:59 +0000</pubDate>
			<category domain="https://micc.snu.ac.kr/?kboard_redirect=37"><![CDATA[interview]]></category>
		</item>
				<item>
			<title><![CDATA[260220_박현태_Python_parallelism]]></title>
			<link><![CDATA[https://micc.snu.ac.kr/?kboard_content_redirect=248]]></link>
			<description><![CDATA[]]></description>
			<author><![CDATA[chemepark]]></author>
			<pubDate>Fri, 20 Feb 2026 17:29:24 +0000</pubDate>
			<category domain="https://micc.snu.ac.kr/?kboard_redirect=15"><![CDATA[Journal Club]]></category>
		</item>
				<item>
			<title><![CDATA[260112_석정헌_Learning Atomic Multipoles: Prediction of the Electrostatic Potential with Equivariant Graph Neural Networks]]></title>
			<link><![CDATA[https://micc.snu.ac.kr/?kboard_content_redirect=247]]></link>
			<description><![CDATA[]]></description>
			<author><![CDATA[bestjh200102]]></author>
			<pubDate>Mon, 12 Jan 2026 14:53:36 +0000</pubDate>
			<category domain="https://micc.snu.ac.kr/?kboard_redirect=15"><![CDATA[Journal Club]]></category>
		</item>
				<item>
			<title><![CDATA[260109_Shuan_Deep_Retrosynthetic_Reaction_Prediction_using_Local_Reactivity_and_Global_Attention]]></title>
			<link><![CDATA[https://micc.snu.ac.kr/?kboard_content_redirect=246]]></link>
			<description><![CDATA[]]></description>
			<author><![CDATA[shuan]]></author>
			<pubDate>Fri, 09 Jan 2026 17:35:31 +0000</pubDate>
			<category domain="https://micc.snu.ac.kr/?kboard_redirect=15"><![CDATA[Journal Club]]></category>
		</item>
				<item>
			<title><![CDATA[250822_석정헌_Molecule Design for Non-Aqueous Wide-Temperature Electrolytes via the Intelligentized Screening Method]]></title>
			<link><![CDATA[https://micc.snu.ac.kr/?kboard_content_redirect=239]]></link>
			<description><![CDATA[]]></description>
			<author><![CDATA[bestjh200102]]></author>
			<pubDate>Fri, 22 Aug 2025 16:41:26 +0000</pubDate>
			<category domain="https://micc.snu.ac.kr/?kboard_redirect=15"><![CDATA[Journal Club]]></category>
		</item>
				<item>
			<title><![CDATA[250718_JACS_L2M3_최재환]]></title>
			<link><![CDATA[https://micc.snu.ac.kr/?kboard_content_redirect=236]]></link>
			<description><![CDATA[thank you!]]></description>
			<author><![CDATA[jaehwanchoi]]></author>
			<pubDate>Fri, 18 Jul 2025 16:48:23 +0000</pubDate>
			<category domain="https://micc.snu.ac.kr/?kboard_redirect=15"><![CDATA[Journal Club]]></category>
		</item>
				<item>
			<title><![CDATA[2507011_김민우_Scalar-Vector Equivariant MLIP]]></title>
			<link><![CDATA[https://micc.snu.ac.kr/?kboard_content_redirect=234]]></link>
			<description><![CDATA[<span style="font-family: 'arial black', sans-serif;">배터리 저널 클럽에서 발표한 내용입니다. </span>]]></description>
			<author><![CDATA[mw0503]]></author>
			<pubDate>Tue, 15 Jul 2025 13:17:58 +0000</pubDate>
			<category domain="https://micc.snu.ac.kr/?kboard_redirect=15"><![CDATA[Journal Club]]></category>
		</item>
				<item>
			<title><![CDATA[250711_최겸_LLM Data Extraction]]></title>
			<link><![CDATA[https://micc.snu.ac.kr/?kboard_content_redirect=233]]></link>
			<description><![CDATA[]]></description>
			<author><![CDATA[kyeomchoi]]></author>
			<pubDate>Fri, 11 Jul 2025 16:56:57 +0000</pubDate>
			<category domain="https://micc.snu.ac.kr/?kboard_redirect=15"><![CDATA[Journal Club]]></category>
		</item>
				<item>
			<title><![CDATA[250609_석정헌_E(3)-equivariant graph neural networks for data-efficient and accurate interatomic potentials]]></title>
			<link><![CDATA[https://micc.snu.ac.kr/?kboard_content_redirect=230]]></link>
			<description><![CDATA[배터리 MLIP 공부에 사용한 자료입니다.]]></description>
			<author><![CDATA[bestjh200102]]></author>
			<pubDate>Tue, 17 Jun 2025 16:36:17 +0000</pubDate>
			<category domain="https://micc.snu.ac.kr/?kboard_redirect=15"><![CDATA[Journal Club]]></category>
		</item>
				<item>
			<title><![CDATA[250502_최겸_Multimodal foundation models for material property prediction and discovery]]></title>
			<link><![CDATA[https://micc.snu.ac.kr/?kboard_content_redirect=227]]></link>
			<description><![CDATA[]]></description>
			<author><![CDATA[kyeomchoi]]></author>
			<pubDate>Fri, 02 May 2025 17:28:23 +0000</pubDate>
			<category domain="https://micc.snu.ac.kr/?kboard_redirect=15"><![CDATA[Journal Club]]></category>
		</item>
				<item>
			<title><![CDATA[250411_박준길_All Atom Diffusion Transformers]]></title>
			<link><![CDATA[https://micc.snu.ac.kr/?kboard_content_redirect=220]]></link>
			<description><![CDATA[]]></description>
			<author><![CDATA[parkjunkil]]></author>
			<pubDate>Tue, 08 Apr 2025 17:24:53 +0000</pubDate>
			<category domain="https://micc.snu.ac.kr/?kboard_redirect=15"><![CDATA[Journal Club]]></category>
		</item>
				<item>
			<title><![CDATA[250328_이정욱_Optimizing generative AI by backpropagating language model feedback]]></title>
			<link><![CDATA[https://micc.snu.ac.kr/?kboard_content_redirect=217]]></link>
			<description><![CDATA[]]></description>
			<author><![CDATA[jeongwooklee]]></author>
			<pubDate>Fri, 28 Mar 2025 16:58:27 +0000</pubDate>
			<category domain="https://micc.snu.ac.kr/?kboard_redirect=15"><![CDATA[Journal Club]]></category>
		</item>
				<item>
			<title><![CDATA[250321_석정헌_Infrared Spectroscopy of Li+ Solvation in Diglyme - Ab Initio Molecular Dynamics and Experiment]]></title>
			<link><![CDATA[https://micc.snu.ac.kr/?kboard_content_redirect=216]]></link>
			<description><![CDATA[]]></description>
			<author><![CDATA[bestjh200102]]></author>
			<pubDate>Thu, 27 Mar 2025 22:44:42 +0000</pubDate>
			<category domain="https://micc.snu.ac.kr/?kboard_redirect=15"><![CDATA[Journal Club]]></category>
		</item>
				<item>
			<title><![CDATA[250228_최재환_LLM4SD]]></title>
			<link><![CDATA[https://micc.snu.ac.kr/?kboard_content_redirect=213]]></link>
			<description><![CDATA[have fun!]]></description>
			<author><![CDATA[jaehwanchoi]]></author>
			<pubDate>Tue, 04 Mar 2025 13:41:20 +0000</pubDate>
			<category domain="https://micc.snu.ac.kr/?kboard_redirect=15"><![CDATA[Journal Club]]></category>
		</item>
				<item>
			<title><![CDATA[250212_임주현_DECONMR:DEnoising Chemical nOise from NMR spectra]]></title>
			<link><![CDATA[https://micc.snu.ac.kr/?kboard_content_redirect=212]]></link>
			<description><![CDATA[]]></description>
			<author><![CDATA[juhyeonim]]></author>
			<pubDate>Wed, 26 Feb 2025 17:09:01 +0000</pubDate>
			<category domain="https://micc.snu.ac.kr/?kboard_redirect=15"><![CDATA[Journal Club]]></category>
		</item>
			</channel>
</rss>