딥러닝은 지난 10여 년 사이 영상 처리와 계산화학이라는 화상과학기술의 두 축을 모두 바꾸어 놓았다. 본 글은 이 변화를 이끈 세 갈래의 생성·표현 학습 기술, 곧 생성적 적대 신경망(GAN), 확산 모델, 트랜스포머와, 이와 짝을 이루어 발전한 계산화학용 학습 기반 방법을 한 편의 리뷰로 묶어 살핀다. 각 방법을 고전적 접근과 견주어 그 동기와 한계를 짚고, 초해상화·복원·합성과 물성 예측 ·소재 역설계로 이어지는 최근 적용을 검토한다. 아울러 신뢰할 수 있는 연구로 나아가기 위한 방법론적·계산자원적 확장을 정리하고, 화상과학 분야에서 오래 다루어 온 태양전지·이차전지· 고분자 연구와의 접점을 전망한다.
본 연구에서는 MgO 기판 위에 펄스 레이저 방법으로 BaSnO3 박막을 성장하고, 구조적·광학적 특성 및 전자구 조를 실험과 계산을 통해 비교하였다. XRD 분석 결과, BaSnO3 박막은 뚜렷한 이차상 없이 우선 배향된 결정상으로 성장하였으며, UV–Vis spectroscopy 기반 Tauc 분석을 통해 간접 밴드갭과 직접 밴드갭은 각각 약 3.15 eV 및 3.6 eV로 평가되었다. ABACUS를 이용한 DFT 계산에서는 LCAO 및 PW basis를 사용하여 PBE, HSE, PBE0, DDPBE0, DSR functional에 따른 밴드갭을 비교하였다. PBE와 HSE는 밴드갭을 과소평가한 반면, DDPBE0와 DSR은 실험적 밴드갭에 비교적 근접한 결과를 보였다. 또한 LCAO 계산은 PW와 유사한 functional 의존성을 재현하였으나, Sn 5s 기반 delocalized conduction band의 제한적 기술로 인해 더 작은 밴드갭을 나타냈다. 본 결과는 BaSnO3의 밴드갭 예측에서 hybrid functional과 basis set 선택이 중요함을 보여준다.