Learning Magnetic Order Classification from Large-Scale Materials Databases

자성은 컴퓨터의 하드 드라이브부터 등산객의 주머니 속 나침반에 이르기까지 모든 것을 형성하는 물질의 근본적인 성질입니다. 원자 수준에서 자성은 전자들에 의해 생성된 작은 자기 모멘트들이 서로 어떻게 정렬되는지에서 발생합니다. 때때로 이들은 모두 같은 방향을 가리켜 강력하고 영구적인 자석을 만들기도 합니다. 반대로, 때로는 서로 반대 방향을 가리켜 외부 세계에는 비자성체처럼 보이도록 서로를 상쇄시키기도 합니다. 특정 재료가 이러한 배열 중 어떤 것을 채택할지 결정하는 것은 새로운 재료를 발견하려는 과학자들에게 핵심적인 과제입니다. 강력한 컴퓨터 시뮬레이션이 이러한 상태를 예측할 수 있지만, 실제 모습이 더 복잡함에도 불구하고 가장 단순한 답을 선택하며 정체되는 경우가 많습니다. 이는 컴퓨터가 말하는 재료의 상태와 실제 재료 사이의 간극을 만들어내며, 더 나은 기술을 찾는 과정을 늦추는 문제가 됩니다.

오하이오 주립 대학교의 한 연구자는 데이터의 패턴으로부터 학습하는 인공지능의 한 형태인 머신러닝을 사용하여 이 간극을 메우는 새로운 방법을 개발했습니다. 연구자는 수십만 개의 화합물 정보를 담고 있는 '마테리얼즈 프로젝트(Materials Project)'라는 거대한 온라인 재료 데이터 컬렉션에 주목했습니다. 연구자는 이 데이터베이스를 구축하는 데 사용된 컴퓨터 시뮬레이션에 체계적인 편향이 있음을 발견했습니다. 즉, 시뮬레이션이 시작될 때의 가정 때문에 많은 재료를 모든 내부 자석이 같은 방향을 가리키는 강자성체(ferromagnetic)로 잘못 분류한다는 것입니다. 이를 해결하기 위해 연구자는 실제 실험을 통해 자기 상태가 확인된, 매우 신뢰도 높은 소규모 재료 데이터베이스를 바탕으로 컴퓨터 프로그램을 훈련시켰습니다. 재료의 기본적인 화학적 구성과 구조에 대한 정보만을 사용하여 서로 다른 자기 질서의 미세한 지문을 인식하도록 컴퓨터에게 가르침으로써, 연구자는 거대한 데이터베이스를 스캔하여 오류를 찾아낼 수 있는 도구를 만들었습니다.

연구자는 자신의 새로운 도구가 잘못 분류되었을 가능성이 높은 수천 개의 재료를 식별할 수 있다는 것을 발견했습니다. 구체적으로, 연구자는 거대 데이터베이스 내에서 단순한 강자성체로 표시되어 있으나 더 복잡하고 정렬되지 않은 자기 구조를 가지고 있다는 강력한 징후를 보이는 6,800개 이상의 화합물을 찾아냈습니다. 연구자가 이로 분류된 재료의 무작위 샘브플을 과학 문헌과 대조해 본 결과, 대다수가 실제로 강자성체가 아님이 확인되었습니다. 어떤 것들은 인접한 원자들이 반대 방향을 가리키는 반강자성체(antiferromagnetic)임이 확인되었고, 다른 것들은 자기 질서가 전혀 나타나지 않았습니다. 이는 원래의 컴퓨터 시뮬레이션이 원자들의 스핀이 배치될 수 있는 충분히 다양한 방식들을 탐색하지 못했기 때문에, 해당 재료들의 진정한 바닥 상태(ground state)를 놓쳤을 가능성이 높음을 시사합니다. 이 연구는 컴퓨터 시뮬레이션이 강력할 수는 있지만, 머신러닝이 실험적 진실을 바탕으로 학습함으로써 교정할 수 있는 특정한 사각지대를 가질 수 있음을 강조합니다.

이것이 어떻게 작동하는지 이해하려면 과학자가 사용한 도구들을 살펴보는 것이 도움이 됩니다. 연구자가 조사한 거대 데이터베이스인 마테리얼즈 프로젝트는 밀도 범함수 이론(density functional theory)이라는 방법을 사용하여 재료의 특성을 예측합니다. 이 방법은 전자가 고체 내에서 어떻게 움직이는지를 결정하는 방정식들을 푸는 정교한 계산기와 같습니다. 그러나 계산기가 답을 얻으려면 시작점이 되는 추측(starting guess)이 필요합니다. 마테리얼즈 프로젝트 데이터를 생성하는 자동화된 워크플로에서는, 모든 자기 모멘트가 같은 방향을 가리킨다는 것이 거의 항상 시작점이 되는 추측입니다. 만약 재료가 실제로 다른 배열을 선호한다면, 시뮬레이션은 종종 그 상태를 찾아내는 데 실패하고 대신 초기 추측에 안주하게 됩니다. 이는 이는 특정 언덕의 꼭대기에서 시작하여 오직 아래쪽으로만 내려다보며 산악 지형에서 가장 낮은 지점을 찾으려는 것과 비슷합니다. 당신은 골짜기를 찾을 수는 있겠지만, 잘못된 봉우리에서 시작했다면 가장 깊은 골짜기는 결코 찾을 수 없을 것입니다.

연구자는 MAGNDATA라고 불리는 다른 데이터셋을 활용하여 분류기(classifier)를 구축함으로써 이 문제를 해결했습니다. 이 데이터베이스는 중성자 산란(neutron scattering)과 같은 기술을 사용하여 실험실에서 직접 측정된 자기 구조를 포함하고 있습니다. 이 기술은 원자와 그 자기 모멘트의 배치를 매우 정밀하게 볼 수 있습니다. 이러한 항목들은 실제 측정에 기반하고 있으므로 '골드 스탠다드(gold standard)'로 간주됩니다. 연구자는 컴퓨터 프로그램에게 화합물에 포함된 원소, 밀도, 전자의 에너지 레벨과 같은 단순한 특징들을 관찰하도록 가르쳤습니다. 연구자는 계산하기 어렵고 복잡한 세부 사항을 사용하지 않고, 거의 모든 재료에 대해 쉽게 구할 수 있는 기본적인 정보만을 사용했습니다. 목표는 이러한 단순한 단서들이 재료가 진정한 강자성체인지, 아니면 숨겨진 더 복잡한 질서를 가지고 있는지를 구별하기에 충분한지를 확인하는 것이었습니다.

결과는 놀라웠습니다. 머신러닝 모델은 단순하고 반복적인 패턴(강자성체와 일치)에 해당하는 제로 자기 전파 벡터(zero magnetic propagation vector)를 가진 재료와, 더 복잡하고 변조된 자기 구조를 나타내는 비제로(nonzero) 벡터를 가진 재료를 구분하는 법을 배웠습니다. 실험 데이터에 대해 이 모델은 92% 이상의 정확도를 달ох했으며, 대다수의 경우에서 자기 질서의 유형을 정확하게 식별해 냈습니다. 이러한 성능은 다른 데이터셋을 사용한 기존의 더 복잡한 신경망보다 눈에 띄게 우수했습니다. 이 단순한 접근 방식의 성공은 재료의 화학적 조성과 기본적인 구조적 특성이, 값비싼 전체 컴퓨터 시뮬레이션을 실행하지 않고도 자기 행동을 예측하는 데 충분한 정보를 담고 있음을 시사합니다.

신뢰할 수 있는 모델을 갖춘 연구자는 다시 마테리얼즈 프로젝트의 거대한 데이터베이스로 시선을 돌렸습니다. 연구자는 훈련된 분류기를 15만 개 이상의 재료에 적용하여, 특히 강자성체로 표시되어 있지만 모델에 의해 비제로 전파 벡터를 가진 것으로 예측된 재료들을 찾았습니다. 이러한 불일치는 해당 재료가 잘못 분류되었을 수 있음을 나타내는 적신호 역할을 했습니다. 스캔 결과 다량의 후보군이 발견되었으며, 최종적인 고신뢰도 오분류 재료 목록에는 6,800개 이상의 고유한 화합물이 포함되었습니다. 연구자는 결과의 견고함을 보장하기 위해 두 가지 유형의 머신러닝 알고리즘을 사용하여 결과를 교차 검증했습니다. 연구자는 두 알고리즘 모두가 잠재적으로 잘못 분류되었다고 지목한 재료만을 남겼으며, 이 전략은 오경보(false alarm)의 가능성을 크게 줄여주었습니다.

연구자가 이로 분류된 재료들을 무작위로 조사했을 때, 그 증거는 예측을 뒷받s였습니다. 연구자는 거대 데이터베이스가 강자성체라고 불렀던 많은 화합물이 실제로는 반강자성체이거나 비자성체임을 발견했습니다. 예를 들어, 데이터베이스에 강자성체로 기재되어 있던 염화철(iron chloride)이나 산화망간(manganese oxide) 같은 재료들은 실험을 통해 반강자성 질서를 가진 것으로 알려져 있었습니다. 지목된 일부 재료들은 자기 이온 자체가 없었으며, 이는 그들의 강자성 라벨이 순전히 컴퓨터 시뮬레이션의 시작 추측에서 비롯된 인위적인 결과임을 의미했습니다. 연구자는 최종 목록의 오경보율이 매우 낮을 것으로 추정했으며, 이는 5% 미만일 가능성이 높아, 지목된 재료의 대다수가 실제로 잘못 분류되었다는 것에 높은 확신을 가졌습니다.

이 연구는 단순히 오류 목록을 수정하는 것 이상의 의미를 갖습니다. 이는 머신러닝을 진단 도구로 사용하여 대규모 과학 데이터베이스의 신뢰성을 높이는 새로운 방법을 보여줍니다. 머신러닝을 사용하여 과학자들은 이제 수백만 개의 항목을 체계적으로 스캔하여 실험적 실재와 일치하지 않는 항목을 찾아낼 수 있습니다. 이는 전 세계 연구자들이 에너지 저장, 전자 공학 및 기타 기술을 위한 새로운 재료를 설계할 때 이 데이터베이스들을 사용하기 때문에 특히 중요합니다. 만약 기초가 되는 데이터에 결함이 있다면, 그 데이터를 기반으로 한 설계는 실패할 수 있습니다. 이 연구는 상대적으로 적은 양의 고품질 실험 데이터를 학습한 단순한 머신러닝 모델이 거대한 데이터셋을 정화하는 강력한 필터 역할을 할 수 있음을 보여줍니다.

연구자는 또한 모델에 더 상세한 정보를 추가하는 것이 성능을 향end시킬 수 있는지 탐구했습니다. 연구자는 화합물 내 원소들의 평균 전기 음성도(원자가 전자를 얼마나 강하게 끌어당기는지를 측정하는 척도)와 같은 구체적인 화학적 특성을 포함하는 테스트를 진행했습니다. 이는 정확도를 약간 향상시키기는 했지만, 그 이득은 미미했습니다. 이는 연구자가 사용한 원소 목록과 밀도 같은 기본 기술자(descriptors)들이 이미 좋은 예측을 하는 데 필요한 필수적인 정보 대부분을 포착하고 있음을 시사합니다. 연구는 향-후의 가장 중요한 개선은 단순히 글로벌 평균을 보는 것이 아니라 원자들의 국부적 배치를 볼 수 있는 더 발전된 머신러닝 구조를 사용하는 데서 올 것이라고 결론지었습니다.

궁극적으로, 이 연구는 현대 재료 과학에서 계산, 실험, 그리고 머신러닝의 상호 보완적인 역할을 강조합니다. 컴퓨터 시뮬레이션은 방대한 가능성의 지형을 제공하지만, 초기 가정에 의해 편향될 수 있습니다. 실험은 지상 실재(ground truth)를 제공하지만, 대규모로 수행하기에는 느리고 비용이 많이 듭니다. 머신러닝은 제한된 실험적 진실로부터 학습하여 방대한 계산적 지형의 편향을 바로잡는 가교 역할을 합니다. 수천 개의 잘못 분류된 자기 재료를 식별하고 수정함으로써, 이 작업은 더 신뢰할 수 있는 데이터베이스를 위한 길을 열고 미래 기술에 필요한 특정 자기 특성을 가진 새로운 재료의 발견을 가속화합니다. 이 연구 결과는 빅데이터 시대에도 가장 강력한 통찰력은 종종 현실에 비추어 작업을 면밀히 검토하는 데서 온다는 사실을 상기시켜 줍니다.