연구 데이터 수집, 더는 미루지 않습니다
- 한 곳
- 실험·계산·문헌 데이터 통합
- AI-Ready
- 수집 단계부터 모델 학습 가능
- 온프레미스
- 데이터 주권 보장
- 역설계
- 데이터에서 다음 실험으로
연구 데이터는 여전히 흩어져 있습니다
실험 결과는 스프레드시트와 개인 PC, 메일에 나뉘어 있습니다. 논문의 결론은 표와 그림 안에 갇혀 있고, 같은 물성을 세 연구실이 세 가지 이름으로 부릅니다.
쪼개진 데이터
실험 기록이 도구별·형식별·연구원별로 흩어져 있어 한 번에 볼 수 없습니다.
반복되는 실험
다음 실험을 가리켜 주는 근거가 없어, 같은 조건을 몇 번이고 다시 돌립니다.
끊어진 분석
데이터 수집·모델링·최적화가 각각 다른 환경에서 따로 돌아갑니다.
논문에 갇힌 지식
발표된 결과가 표와 그림 안에 남아 있고, 그것을 옮겨 적을 시간은 아무에게도 없습니다.
제각각인 용어
같은 물성인데 연구실마다 이름이 다르고 단위 표기도 다릅니다.
단계마다 필요한 도구를 정확히
수집 · 전처리 · 학습으로 이어지는 3단 파이프라인에, 지식 그래프와 역설계, 그리고 화면 맥락을 아는 어시스턴트가 나란히 붙습니다.
문헌 추출
PDF·DOI·PubMed ID 로 논문을 등록하거나, 저널을 구독해 두면 새 논문이 알아서 들어옵니다. 전문을 읽어 낸 다음 표와 그림 페이지를 고해상도 이미지로 다시 렌더링하므로, 텍스트 파서가 조용히 뭉개던 숫자를 비전 모델이 그대로 읽습니다.
- Crossref·PubMed 검색, DOI 임포트, 저널 정기 수집
- 요약·핵심 결과·개체·관계·표 데이터 추출
- 표·그래프·스펙트럼은 200 DPI 비전 추출
- 모든 값이 출처 페이지를 달고 있어 한 번에 검증
- 추출한 값을 데이터 버킷 컬럼으로 바로 매핑
온톨로지
두 연구실이 같은 물성을 재도 데이터는 합쳐지지 않습니다 — 이름이 다르고 단위가 다르기 때문입니다. 온톨로지 개념이 그 변형들을 하나로 묶고, 단위를 SI 로 정규화하며, 규격을 벗어난 값은 학습 데이터에 닿기 전에 격리합니다.
- 개념마다 동의어·단위·정의·계층 보유
- 단위 파싱과 SI 변환을 QUDT 식별자와 함께 기록
- 새 개념과 제약 조건은 검토·승인 절차를 거침
- OWL 추론으로 함의된 관계를 도출하되 근거를 남김
- TTL 임포트·익스포트와 EMMO 스냅샷 비교 지원
지식 그래프
문헌에서 뽑아낸 개체와 관계가 눈으로 볼 수 있는 그래프로 쌓입니다. 유형으로 걸러 보고, 관계를 따라가고, 그 결과를 어시스턴트에 넘기거나 선택 영역을 그대로 학습용 버킷으로 보냅니다.
- 소재·물성·기법·저널·저자 등으로 개체 유형 구분
- 유형별 필터, 고립 노드 숨김, 홉 단위 확장
- 어시스턴트에 물으면 그래프에 근거한 답을 반환
- 그래프 선택 영역을 데이터 버킷으로 내보내 학습
- 데이터 권한을 그대로 따름 — 열람 권한이 없으면 근거에도 안 나옴
데이터 버킷
실험 데이터셋을 올리면 자동으로 검증합니다. 결측치, 범주형 인코딩, 이상치 탐지가 하나의 전처리 파이프라인에서 처리됩니다.
- 업로드 시 자동 검증과 오류 탐지
- 결측치·이상치 전처리
- 상관관계 분석과 시각화
- 버전 관리와 이력 복원
예측 모델 학습
버킷에서 바로, 코드를 쓰지 않고 모델을 학습합니다. R²·MAE·RMSE 로 실행 결과를 비교한 뒤 모델이 실제로 무엇을 학습했는지 확인합니다 — 해석을 주의사항까지 포함해 평이한 문장으로 적어 줍니다.
- 노코드 학습: GPR, XGBoost, 선형 모델, 딥러닝
- 교차검증과 R² · MAE · RMSE 나란히 비교
- SHAP 변수 중요도로 핵심 인자 제시
- 결과 리포트를 문장으로: 요약·핵심 발견·주의사항
- 예측 탭에 게시하면 예측과 역설계에 바로 사용
역설계
목표 물성을 먼저 정하면, 게시된 모델이 그 조건을 만족하는 조성·공정을 거꾸로 찾아옵니다. 모델 임포트 · 역할 매핑 · 설계 변수 설정 · 탐색 · 실행의 다섯 단계입니다.
- 게시된 모델로 단일·다목적 최적화 실행
- 유전 알고리즘, 베이지안 최적화, 그리드·랜덤 탐색
- 파레토 프론트가 만들어 볼 만한 후보를 제시
- 제약 조건 안에서만 설계 공간 탐색
- 세션·실행·결과를 프로젝트 단위로 보관
능동학습
다음에 측정할 가치가 있는 시료를 추천합니다. 가장 적은 실험으로 정보 획득량을 최대화해 연구 비용과 기간을 줄입니다.
- Expected Improvement · UCB 획득 전략
- Thompson Sampling 기반 추천
- 반복 사이클마다 모델을 정교화
- 실험 비용을 최소로 유지
AI 어시스턴트
어시스턴트는 지금 어느 화면에 있는지를 압니다. 학습 결과 화면에서는 성능 비교를 제안하고, 지식 그래프에서는 그래프에 근거해 답하며, 대시보드에서는 무엇이 달라졌는지 알려 줍니다. 시키면 직접 플랫폼을 조작합니다.
- 화면 맥락 인식 — 지금 화면에서 할 다음 단계를 제안
- 하이브리드 검색: 문서 벡터 검색과 그래프 탐색을 함께
- 플랫폼 작업 수행: 버킷·학습·모델·역설계·CAE·DOE
- 다국어 질문을 원문과 번역문 양쪽으로 검색
- 계정에 허용된 범위 안에서만 답변
범용 데이터 도구가 아니라 R&D 운영 플랫폼입니다
실험·재고·문헌·물성·공정 조건을 스프레드시트의 익명 컬럼이 아니라 각자의 맥락에서 다룹니다. 차이를 만드는 것은 개별 기능이 아니라 루프입니다 — 데이터와 지식과 모델이 서로를 강화하는 구조입니다.
끊기지 않는 연결
수집·분석·학습·예측·역설계가 도구 다섯 개를 이어 붙인 것이 아니라 하나의 플랫폼입니다.
소재 R&D 전용
실험·재고·문헌·물성·공정 조건이 각자 맞는 필드와 단위를 가진 일급 객체로 다뤄집니다.
설명 가능한 AI
성능 지표와 그것을 이끈 변수, 그리고 알아 둬야 할 한계까지 평이한 문장으로 적어 냅니다.
다시 쓰는 지식과 모델
구조화된 문헌 지식과 학습된 모델이 일회성 산출물로 끝나지 않고 다음 프로젝트의 출발점이 됩니다.
연구에 들어가는 모든 입력을 한 곳에
실험실 설정·재고·실험 설계·문헌이 하나로 이어진 흐름에서 수집되고, 팀이 버전을 관리하고 공유하고 학습에 쓸 수 있는 버킷으로 묶입니다.
실험실 설정
위치·장비·프로토콜·분석 템플릿을 한 번 표준화해 두면, 이후 기록이 그 구조를 그대로 물려받습니다.
재고 관리
원료·혼합물·시편의 수량과 이력을 추적합니다.
실험
실험을 연결된 노드로 설계하고, 실제로 무슨 일이 있었는지를 그 설계에 맞춰 기록합니다.
문헌
논문을 모으고 그 자리에서 읽으며, 표시한 부분을 구조화된 데이터로 바꿉니다.
권한 단위 버킷
데이터는 의도한 만큼만 공유됩니다. 열람 권한이 없는 데이터는 그래프 질의와 AI 답변에서도 제외됩니다.
버전이 남는 팀 자산
버킷이 이력을 보관하므로, 학습에 쓴 데이터셋을 나중에 복원해 다시 확인할 수 있습니다.
API · LIMS 연동
이미 쓰고 있는 실험실 시스템을 연결해, 아무도 다시 입력하지 않아도 수집이 계속되게 합니다.
데이터가 의사결정이 되기까지
수집·학습·역설계는 별개의 프로젝트가 아니라 한 루프의 네 구간입니다. 각 구간이 다음 구간이 요구하는 형태로 결과를 남기는 것이 설계의 전부입니다.
"AI-Ready" 가 실제로 요구하는 것
모델 학습을 막는 것은 데이터의 양보다 형태인 경우가 많습니다. 같은 원료를 연구원마다 다른 이름으로 적고, 장비 조건이 기록되지 않고, 실패한 실험이 남지 않으면 아무리 쌓아도 학습에 쓸 수 없습니다. D3Square 는 원료·장비·장비 변수·연구 템플릿을 먼저 정의하게 해서, 실험을 기록하는 행위가 곧 구조화된 레코드를 남기는 행위가 되도록 합니다. 후처리·정제 단계가 사라지는 것은 그 결과입니다.
예측 모델 학습과 검증
누적된 데이터로 물성 예측 모델을 학습하고, 같은 화면에서 모델 간 성능을 비교합니다. 중요한 것은 점 추정이 아니라 불확실성입니다 — 어떤 조성 구간에서 모델이 자신 없어 하는지를 알아야 그 구간을 실험으로 메울 수 있습니다. 어떤 변수가 결과를 좌우하는지도 함께 드러나므로, 모델은 예측기이면서 동시에 현상에 대한 요약이 됩니다.
역설계 — 목표에서 조성으로
일반적인 계산은 조성을 넣고 물성을 얻습니다. 역설계는 방향을 뒤집어, 원하는 물성 범위를 조건으로 두고 그것을 만족할 가능성이 높은 조성·공정 후보를 찾습니다. 후보는 순위가 매겨진 목록으로 나오고, 각 후보에는 모델이 얼마나 확신하는지가 함께 붙습니다.
능동학습 — 다음 실험 고르기
실험 횟수가 제한되어 있을 때, 다음에 무엇을 해야 정보가 가장 많이 늘어나는지는 그 자체로 계산할 수 있는 문제입니다. 능동학습은 예측값이 좋은 후보와 모델이 가장 모르는 후보 사이에서 균형을 잡아 다음 실험을 추천하고, 그 결과가 다시 데이터로 돌아오면서 루프가 한 바퀴 돕니다.
데이터가 조직 밖으로 나가지 않는 이유
분석에 쓰이는 LLM 이 조직 내부에서 운영됩니다. 온프레미스 구성에서는 원료 조성, 공정 조건, 실패 기록 같은 R&D 의 핵심이 사외 클라우드로 전송되지 않고, 데이터 주권이 유지된 채로 분석과 학습이 진행됩니다.
이미 쓰고 있는 도구와 어떻게 만나는가
연구팀이 쓰던 스프레드시트, 계산 결과 파일, 문헌 정리를 버리고 시작하는 것이 아닙니다. 실험실을 정의하는 단계에서 기존 기록의 항목을 템플릿에 대응시켜 두면, 과거 데이터와 앞으로의 데이터가 같은 구조로 한 작업 공간에 놓입니다. 연구원이 바뀔 때 데이터가 함께 사라지지 않는 것 — 대학 연구실에서 이 도구가 인수인계에 쓰이는 이유가 그것입니다.
실험대에서 최적 설계까지
한 번 실험실을 정의해 두면, 그 다음 사이클부터는 자연스럽게 데이터가 쌓이고 모델이 자랍니다.
-
01
문헌 수집
PDF·DOI·저널 구독으로 논문을 들여옵니다. 본문·표·그림이 출처 페이지를 달고 나옵니다.
-
02
표준화
추출된 용어를 온톨로지 개념에 대응시키고, 단위를 SI 로 정규화하며, 규칙을 벗어난 값은 격리합니다.
-
03
데이터 수집
실험 데이터셋을 버킷에 올립니다. 검증과 전처리가 자동으로 적용됩니다.
-
04
탐색 · 분석
상관관계 분석·산점도·분포 확인으로 지금 가진 데이터의 구조를 파악합니다.
-
05
모델 학습
여러 알고리즘을 비교해 목표 물성에 가장 잘 맞는 예측 모델을 고릅니다.
-
06
게시 · 예측
검증된 모델을 게시하고, 새로운 실험 조건의 결과를 예측하는 데 사용합니다.
-
07
최적화
다목적 최적화로 시도해 볼 만한 설계 변수 조합을 찾습니다.
플랫폼이 자리 잡은 뒤의 변화
| 영역 | 도입 전 | D3Square 도입 후 |
|---|---|---|
| 데이터 관리 | 개인 PC 의 파일과 스프레드시트, 그리고 서로 연결되지 않은 시스템들. | 실험·문헌·분석 기록이 하나의 플랫폼에 누적됩니다. |
| 문헌 활용 | 통찰이 프로젝트와 함께, 그리고 사람과 함께 떠납니다. | 도메인 온톨로지로 구조화된 지식 그래프를 누구나 질의합니다. |
| 모델 학습 | 전문 인력이 별도 환경에서 코드를 작성합니다. | 노코드로 학습하고, 팀 전체가 읽을 수 있는 문장으로 해석이 나옵니다. |
| 후보 탐색 | 조건을 찾으려고 실험을 또 돌리고, 다시 돌립니다. | 목표 물성에서 역설계가 출발해 조건을 제안합니다. |
적용 사례
국내 정부출연 연구소
합금 조성 설계 프로젝트에서 실험 데이터 통합과 역설계 워크플로우로 활용 중. 여러 연구원이 나눠 수행하던 실험 기록을 한 구조로 모으는 것이 첫 단계였습니다.
국내 대기업
이차전지 소재 개발팀이 조성·공정 데이터 누적과 의사결정 근거 마련에 사용. 사내 데이터를 외부로 내보내지 않는 구성이 도입 조건이었습니다.
대학 (다수)
여러 분야의 연구실에서 실험실 단위 데이터 자산화와 학생 연구 인수인계에 활용. 학위 과정이 끝나도 실험 기록과 그 맥락이 연구실에 남습니다.
여러 연구 분야에서 쓰입니다
- 소재과학
- 화학공정
- 제조 품질관리
- 에너지 연구
D3Square에 대해 자주 묻는 질문
D3Square는 어떤 문제를 해결하나요?
연구 데이터가 연구원별·프로젝트별로 흩어져 재사용되지 못하는 문제를 해결합니다. 실험 설계 단계부터 AI-Ready 형식으로 데이터를 모아, 예측 모델 학습과 역설계까지 같은 공간에서 이어지도록 합니다.
기존에 쌓아 둔 실험 데이터도 옮길 수 있나요?
원료·장비·장비 변수·연구 템플릿을 한 번 정의해 팀의 실험 환경을 옮겨 오면, 기존 기록과 이후의 실험 기록이 같은 구조로 누적됩니다. 계산 결과와 문헌 데이터도 같은 작업 공간으로 통합됩니다.
민감한 R&D 데이터가 외부로 나가나요?
데이터 분석에 조직 내부에서 운영되는 로컬 LLM을 사용하므로, 사외 클라우드로 데이터를 보내지 않고도 분석할 수 있습니다. 온프레미스 구성으로 데이터 주권을 유지합니다.
Materials Square와는 무엇이 다른가요?
Materials Square는 시뮬레이션을 실행하는 플랫폼이고, D3Square는 실험·계산·문헌 데이터를 모아 다음 실험을 결정하는 플랫폼입니다. 계산 결과가 D3Square에 자산으로 쌓이고, 역설계·능동학습이 다음 계산을 제안하는 방향으로 이어집니다.
도입은 어떻게 시작하나요?
현재 데이터가 흩어져 있는 형태와 R&D 목표를 알려 주시면, 어디서부터 모으는 것이 좋을지 정리해 드립니다. PoC 상담 요청으로 시작하시면 됩니다.