기업과 연구실이 이미 가진 배합, 공정, 물성 데이터로 소재 물성을 예측합니다. 수백 행이면 시작할 수 있고, 업로드하면 근거와 다음 실험까지 이어집니다.
배합을 정하고, 시험하고, 목표에 못 미치면 연구자 직관으로 다시 조정합니다. 이 루프가 몇 회차인지는 아무도 미리 모릅니다.
시행착오 → 막대한 시간·비용 소모
목표 물성에 도달할 때까지 연구자 직관으로 레시피를 반복 조정
소량의 실험 데이터로 bulk scale 물성을 예측합니다. 대규모 연산으로 신소재를 탐색하는 방식이 아니라, 기업이 이미 가진 레시피에 답하는 방식입니다.
노드를 눌러 각 단계를 확인하세요
이 데이터로 물성 예측이 되는지부터 판정합니다. 안 되는 건 안 된다고 먼저 말합니다.
TendiHub는 기업이 가진 실험 데이터로 소재 물성을 예측하는 R&D 플랫폼입니다. 첫 제품 Centi는 소재 연구팀이 브라우저에서 바로 쓰는 예측 SaaS입니다. 전담 AI 인력 없이 팀이 직접 돌립니다.
| ID | 수지 | 충전재 | 온도 | 밀도 |
|---|---|---|---|---|
| PP-01 | 32.5 | 18.0 | 230 | 1.04 |
| PA6-04 | 28.0 | 24.5 | 255 | 1.18 |
| PP-07 | 35.0 | 15.0 | 225 | 0.98 |
| PA6-09 | 26.5 | 28.0 | 260 | 1.24 |
표시 4 / 400행 · 최근 업로드순
양식을 바꾸지 않습니다. 흩어진 기록의 정리부터 함께합니다.
경량복합재 검증은 400행, 100+ 변수 데이터로 했습니다.
| ID | 수지 | 충전재 | 온도 | 밀도 |
|---|---|---|---|---|
| PP-01 | 32.5 | 18.0 | 230 | 1.04 |
| PA6-04 | 28.0 | 24.5 | 255 | 1.18 |
| PP-07 | 35.0 | 15.0 | 225 | 0.98 |
| PA6-09 | 26.5 | 28.0 | 260 | 1.24 |
표시 4 / 400행 · 최근 업로드순
| ID | 수지 | 충전재 | 온도 | 밀도 |
|---|---|---|---|---|
| PP-01 | 32.5 | 18.0 | 230 | 1.04 |
| PA6-04 | 28.0 | 24.5 | 255 | 1.18 |
| PP-07 | 35.0 | 15.0 | 225 | 0.98 |
| PA6-09 | 26.5 | 28.0 | 260 | 1.24 |
표시 4 / 400행 · 최근 업로드순
KoMaP 2025 대상, 61개 팀 중 1위. 경량복합재 8종 물성 R² 0.93+.
검증에서 8종 물성을 동시에 예측했습니다.
| ID | 수지 | 충전재 | 온도 | 밀도 |
|---|---|---|---|---|
| PP-01 | 32.5 | 18.0 | 230 | 1.04 |
| PA6-04 | 28.0 | 24.5 | 255 | 1.18 |
| PP-07 | 35.0 | 15.0 | 225 | 0.98 |
| PA6-09 | 26.5 | 28.0 | 260 | 1.24 |
| N-01 | 33.0 | 16.5 | 232 | — |
| N-02 | 27.5 | 26.0 | 258 | — |
표시 4 / 400행 · 최근 업로드순
| ID | 수지 | 충전재 | 온도 | 밀도 |
|---|---|---|---|---|
| PP-01 | 32.5 | 18.0 | 230 | 1.04 |
| PA6-04 | 28.0 | 24.5 | 255 | 1.18 |
| PP-07 | 35.0 | 15.0 | 225 | 0.98 |
| PA6-09 | 26.5 | 28.0 | 260 | 1.24 |
| N-01 | 33.0 | 16.5 | 232 | — |
| N-02 | 27.5 | 26.0 | 258 | — |
표시 6 / 400행 · 최근 업로드순
제안된 후보만 시험합니다. 스크리닝 실험을 예측으로 줄입니다.
실험 결과가 다시 학습 데이터로 쌓입니다.
2025 KoMaP AI 경진대회 대상 · 산업통상부장관상 — AIMSE팀(현 텐디랩 창업팀), 61개 팀 중 1위 수상 기사 보기 ↗
8종 전부 R² 0.93+
| 지표 | TendiHub 모델 |
|---|---|
| 인장강도 | 0.942 |
| 인장탄성률 | 0.955 |
| 굴곡강도 | 0.938 |
| 굴곡탄성률 | 0.931 |
| ILSS | 0.939 |
| 충격강도 | 0.947 |
| 경도 | 0.958 |
| 밀도 | 0.943 |
test R² 기준. 경량복합재 8종은 정부출연연 검증 결과입니다. 막대 그래프의 축 시작점은 0이 아닙니다.
키워드를 넣으면 오픈 액세스 논문을 훑어 조성·공정·물성을 한 표로 만듭니다. 그 표가 파운데이션 모델의 학습 데이터가 됩니다.
키워드 입력 → 오픈 액세스 논문 내 레시피 데이터 추출
| 조성 | 공정 | 물성 |
|---|---|---|
| Epoxy / CF 60 wt% | 180 °C, 2 h | 1.94 GPa |
| Epoxy / CF 55 wt% | 160 °C, 3 h | 1.71 GPa |
| Epoxy / CF 50 wt% | 180 °C, 1 h | 1.52 GPa |
표에 표시되는 값은 형식 예시입니다.
MELD: Multimodal Extraction of Machine-Learning-Ready Materials Data from Scientific Literature ↗EMNLP 2026 투고
레시피 표만으로 답이 안 나오는 물성은 더 작은 스케일의 데이터를 함께 학습합니다.
조성과 공정 조건의 표 데이터. 현재 검증이 끝난 스케일입니다.
배합표 양식도, 공정 변수도, 봐야 할 물성도 산업마다 다릅니다. 쓰던 양식 그대로 받아 그 도메인에 맞춰 모델을 맞춥니다.
고분자·첨가제·필러 비율, 압출 온도, 열성형·사출성형 조건
인장강도, 인장탄성률, 굴곡강도, 굴곡탄성률, ILSS, 충격강도, 경도, 밀도
이메일과 함께 다루는 소재나 과제를 한 줄 남겨주세요. 예측이 되는 문제인지부터 검토해 회신드립니다.