Parameterizing empirical interatomic potentials for predicting thermophysical properties via an irreducible derivative approach: the case of ThO$_2$ and UO$_2$

기술 요약: ThO₂ 및 UO₂를 위한 기약 미분 접근법을 통한 경험적 원자 간 포텐셜의 파라미터화

문제 정의
열물리적 성질을 예측하기 위한 고전적 분자 동역학(MD) 시뮬레이션의 정확도는 채택된 경험적 원자 간 포텐셜(EIP)의 품질에 의해 근본적으로 제한된다. 전통적인 EIP는 격자 상수, 탄성 계수, 열팽창과 같은 실험 데이터에 피팅하여 파라미터화되는 경우가 많다. 그러나 실험 데이터는 특히 복잡한 결함 구조에 대해서는 양과 질 측면에서 제한적인 경우가 많으며, Born-Oppenheimer 포텐셜의 세부 사항을 직접적으로 탐사하지 못하는 경우가 빈번하다. 결과적으로, 전통적인 파라미터화 전략은 ThO₂(토륨 이산화물) 및 UO₂(우라늄 이산화물)와 같은 핵연료 재료의 열 전달 및 결함 형성을 이해하는 데 중요한 음향자 분산(phonon dispersion) 및 고차 음향자 상호작용을 정확하게 예측하기에 부적절한 포텐셜을 생성한다. 머신러닝 원자 간 포텐셜(MLIP)은 더 높은 정확도를 제공하지만, 이들의 계산 비용과 물리적 해석 가능성의 부족은 여전히 장벽으로 남아 있다. 따라서 Born-Oppenstein 기반의 계산 비용을 들이지 않으면서도 음향자 관련 특성을 포착할 수 있는, 제1원리 데이터를 활용하는 강력한 훈련 방법론이 필요하다.

방법론
저자들은 대상 EIP와 밀도 범함수 이론(DFT)에서 유도된 Born-Oppenheimer 포텐셜 사이의 **기약 미분(irreducible derivatives, IDs)**을 직접 비교하는 훈련 접근법을 소개한다.

• 훈련 데이터: 에너지와 힘에만 의존하는 대신, 데이터셋에는 2차 및 3차 변위 ID와 2차 변형(strain) ID가 포함된다. 이러한 미분값들은 공간군 대칭성을 완전히 활용하여 중복된 정보 없이 훈련할 수 있게 한다. 훈련 세트는 다음과 같이 구성된다:
  • $2 \times 2 \times 2$ 슈퍼셀 내의 2차 변위 ID.
  • 관습적인 입방(cubic) 슈퍼셀 내의 3차 변위 ID.
  • 2차 변형 ID.
  • 0 K에서의 격자 상수, 정규화된 Born 유효 전하, 그리고 프렌켈 쌍(Frenkel pair, FP) 형성 에너지.
• 포텐셜 형태: 본 연구는 기존의 CRG 포텐셜(Buckingham, Morse, EAM 항을 사용하는)을 기반으로 하되, 코어-쉘(core-shell) 모델을 통합함으로써 이를 강화하여 ThO₂ 및 UO₂에 대한 EIP를 파라미터화한다. 이 모델에서는 각 이온이 거대한 코어(core)와 조화 스프링으로 연결된 질량이 없는 쉘(shell)로 나뉘는데, 이는 특정 광학 음향자 모드를 포착하는 데 필수적인 특징이다.
• 최적화: 2단계 최적화 과정이 적용된다. 1단계에서는 로컬 최적화(Nelder-Mead)를 사용하여 파라미터와 가중치를 정밀하게 조정하며, 기초적인 성질에서 복잡한 미분값으로 훈련 데이터를 점진적으로 추가한다. 2단계에서는 글로벌 최적화(입자 군집 알고리즘)를 사용하여 최종 파라미터 세트를 확정한다.
• 검증: 생성된 포텐셜(PW로 표기)은 음향자 분산, 탄성 계수, 열전도도(완화 시간 근사법을 통한 볼츠만 수송 방정식으로 계산됨), 열팽창 및 결함 형성 에너지에 대해 DFT 계산 및 실험 데이터와 검증된다.

주요 기여 및 결과

• 개선된 음향자 분산: PW 포텐셜은 널리 사용되는 CRG 포텐셜보다 성능이 크게 향상되었다. CRG 포텐셜은 광학 음향자 분지를 과대평가하고 가장 높은 광학 분지 사이의 주파수 갭을 포착하지 못하는 반면, PW는 코어-쉘 모델의 포함 덕분에 DFT 계산된 분산과 광학 분지 갭을 성공적으로 재현한다.
• 열전도도: PW는 CRG에 비해 열전도도 예측에서 상당한 개선을 보인다. 1000 K에서 ThO₂ 및 UO₂의 예측된 열전도도 오차는 실험 데이터와 비교했을 때 CRG(각각 54%, 63%) 대비 PW(각각 17%, 9%)로 감소하였다.
• 결함 형성 에너지: 결함 형성에 대해 단 두 개의 데이터 포인트(관습적인 셀 내의 Th/U FP)로 훈련되었음에도 불구하고, PW는 더 큰 슈퍼셀에서의 O, Th, U FP 형성을 정확하게 예측하며, DFT 값과의 오차가 9% 이내이다.
• 탄성 계수: PW는 CRG가 실험적 탄성 계수에 직접 피팅되었음에도 불구하고, 특정 탄성 계수($\text{ThO}_2$의 $C_{11}$ 및 $C_{44}$; $\text{UO}_2$의 $C_{44}$)에 대해 더 나은 예측을 제공한다. 다른 계수들에서의 불일치는 포텐셜의 실패보다는 DFT와 실험값 사이의 차이에서 기인하는 것으로 언급된다.
• 열팽창: PW는 두 물질 모두에 대해 2500 K까지 실험적 열팽창 데이터와 좋은 일치성을 보인다.

의의 및 주장
본 논문은 기약 미분을 기반으로 EIP를 훈련하는 것이 음향자 관련 열물리적 성질에 초점을 맞춘 정확한 포텐셜을 개발하는 데 있어 유망한 방향임을 주장한다. 공간군 대칭성을 활용하여 중복된 훈련 데이터를 최소화하고 고차 미분을 포함함으로써, 제1원리 데이터에 대한 높은 충실도를 달elle 성한다. 저자들은 이 방법이 DFT 데이터를 신뢰성 있게 특징짓는 EIP를 생성하며, 전통적인 포텐셜보다 음향자 분산 및 열전도도 예측에서 우수함을 입증한다고 단언한다. 또한, 분석적 함수 형태를 코어-쉘 모델로 강화하는 것이 액티나이드 산화물의 특정 광학 음향자 모드를 포착하는 데 필수적임을 보여준다. 저자들은 이 ID 기반 접근법이 머신러닝 기반 포텐셜의 광범위한 맥락에서도 유용할 수 있으며, 분석적 형태의 효율성과 제1원리 훈련의 정확성을 결합하는 경로를 제공한다고 제안한다.