← 최신 논문
🔬 재료과학

Capturing long-range interaction with reciprocal space neural network

이 논문은 역격자 공간 신경망 방법을 제안하여 실공간 구조 정보를 변환함으로써 머신러닝 원자 간 포텐셜이 장거리 상호작용을 정확하게 포착할 수 있도록 하며, 이를 통해 전역적 성질의 예측을 개선하고 이온성 물질 및 결함 결정과 같은 복잡한 시스템의 대규모 동역학 시뮬레이션을 용이하게 한다.

원저자: Hongyu Yu, Liangliang Hong, Shiyou Chen, Xingao Gong, Hongjun Xiang

최초 공개 2022-11-30 · 업데이트 2026-11-17
📖 3 분 읽기☕ 가벼운 읽기

원저자: Hongyu Yu, Liangliang Hong, Shiyou Chen, Xingao Gong, Hongjun Xiang

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

컴퓨터 칩의 실리콘부터 양념통 속의 소금에 이르기까지 우리 세상을 구성하는 물질을 이해하기 위해, 과학자들은 종종 분자 역학이라는 강력한 도구에 의지합니다. 이것은 원자들이 시간이 흐름에 따라 어떻게 움직이고 상호작용하는지를 시뮬레이션하는 방법이지만, 이러한 시뮬레이션을 실행하기 위해서는 주어진 원자 배열에 에너지가 얼마나 저장되어 있는지를 알려주는 신뢰할 수 있는 지도가 필요합니다. 수십 년 동안 이러한 지도를 만드는 표준 방식은 양자 역학 법칙에 기반한 방법이었는데, 이는 매우 정확하지만 계산 비용이 너무 많이 들어 아주 적은 수의 원자만을 아주 짧은 기간 동안만 다룰 수 있습니다. 더 큰 시스템이나 더 긴 시간대를 연구하기 위해, 과학자들은 컴퓨터가 원자의 위치와 에너지 사이의 관계를 학습하도록 훈련하는 머신러닝으로 눈을 돌렸습니다. 그러나 이러한 현대적인 학습 모델 대부분은 하나의 단순한 가정을 바탕으로 작동합니다. 바로 원자가 자신의 즉각적인 이웃에게만 관심을 가진다는 가정입니다. 이 모델들은 국소적인 이웃 영역을 살펴보고 멀리서 일어나는 일은 무시합니다. 이는 많은 재료에 잘 작동하지만, 소금과 같은 전하를 띤 입자로 만들어진 결정이나 특정 결정체와 같이 원자의 끌림이나 밀침이 구조 전체에 걸쳐 전달되어 국소적인 스냅샷으로는 포착할 수 없는 방식으로 재료의 거동에 영향을 미치는 다른 재료들에는 실패합니다.

푸단 대학교와 상하이 치즈 연구소(Shanghai Qi Zhi Institute)의 연구팀은 이러한 사각지대를 해결하기 위한 새로운 접근법을 개발했습니다. 그들은 먼 곳의 원자들이 서로 어떻게 영향을 미치는지 이해하려면, 재료를 단순히 공간상의 개별 점들의 집합이 아니라 하나의 전체적인 파동 패턴으로 바라봐야 한다는 것을 깨달았습니다. 물리학에는 결정 내 원자의 배열을 '역격자 공간(reciprocal space)'이라고 불리는 다른 종류의 공간으로 변환하는 수학적 방법이 있는데, 이는 긴 거리에 걸쳐 반복되는 패턴을 설명하는 데 자연스럽게 적합합니다. 연구진은 결정의 표준적인 모습을 가져와 이를 파동 기반의 언어로 번역하고, 신경망을 사용하여 이러한 장거리 패턴으로부터의 에너지 기여도를 학습하는 새로운 유형의 컴퓨터 모델을 구축했습니다. 그런 다음 이 전역적인 관점을 전통적인 국소적 관점과 결কে하여, 즉각적인 이웃과 먼 곳의 영향력을 동시에 보는 하이브리드 모델을 만들어냈습니다.

연구팀은 이 새로운 방법이 실제로 예측을 개선할 수 있는지 확인하기 위해 여러 가지 다른 재료들을 대상으로 테스트했습니다. 먼저, 태양 전지에 사용되는 결정의 한 종류인 하이브리드 유기-무기 페로브스카이트 데이터셋을 조사하여, 전기를 얼마나 잘 전도하는지를 나타내는 척도인 밴드 갭을 예측했습니다. 그들이 새로운 모델을 기존 방식들과 비교했을 때, 장거리 파동 정보를 포함한 하이브리드 접근 방식이 가장 정확했으며, 예측 오차를 크게 줄였습니다. 반면, 새로운 신경망 구성 요소 없이 단순히 표준적인 장거리 계산만을 추가하는 것은 도움이 되지 않았으며, 국소적인 세부 사항 없이 장거리 정보만을 사용하는 것 또한 그 자체로는 충분하지 않다는 것을 발견했습니다. 성공의 핵심은 두 가지 관점을 결합하는 특정한 방식에 있었습니다.

다음으로, 연구진은 장거리 힘이 특히 중요한 결함(즉, 빠진 부분이 있는 상태)이 있는 결정을 시뮬레이션하는 더 어려운 과제에 도전했습니다. 그들은 염화나트륨 소금 결정을 모델로 만들고, 실제 세상의 불완전함을 시뮬레이션하기 위해 원자에 무작위적인 떨림을 도입했습니다. 그들은 이 구조의 총 에너지를 예측하도록 모델을 훈련시켰는데, 이 작업은 시스템 내의 모든 개별 원자 사이의 전기적 인력을 고려해야 합니다. 결과는 데이터를 통해 장거리 힘을 직접 학습하는 그들의 새로운 방법이, 특히 결정이 크고 결함이 포함되어 있을 때 이전 모델들보다 훨씬 더 정확하다는 것을 보여주었습니다. 또한 그들은 고전력 전자 기기에 사용되는 갈륨 질화물이라는 복잡한 반도체 재료에 대해서도 테스트를 진행했습니다. 이 경우, 새로운 모델은 에너지를 더 정확하게 예측했을 뿐만 아니라, 원자 사이의 힘이 어떻게 작용하는지에 대한 훨씬 더 안정적인 그림을 제공하여 표준 모델에 비해 힘 예측의 오차를 상당한 수준으로 줄였습니다.

이러한 개선의 핵심은 단순히 더 많은 데이터를 추가하는 것이 아니라, 컴퓨터가 결정을 "보는" 방식을 바꾸는 것이었습니다. 재료의 반복되는 장거리 패턴을 자연스럽게 포착할 수 있는 형식으로 원자의 위치를 변환함으로써, 모델은 전통적인 모델이 놓치는 미묘하고도 멀리까지 미치는 상호작용을 학습할 수 있었습니다. 또한 연구진은 모델을 훈련시키는 방식이 매우 중요하다는 것을 발견했습니다. 즉, 컴퓨터에게 국소적인 환경을 먼저 이해하도록 가르친 다음, 두 번째 단계에서 장거리 정보를 추가하는 것이 모든 것을 한꺼번에 학습하려고 하는 것보다 훨씬 더 좋은 결과를 낸다는 것을 알아냈습니다. 이 새로운 접근 방식은 특히 전체의 거동이 멀리 떨어진 원자들 사이의 보이지 않는 연결에 달려 있는 시스템을 설계하는 데 있어 유망한 길을 제시합니다.

연구 분야의 논문에 파묻히고 계신가요?

연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.

Digest 사용해 보기 →