Efficient Grand Canonical Global Optimization with On-the-fly-trained Machine-learning Interatomic Potentials

기술 요약: 온더플라이(On-the-fly)로 학습되는 머신러닝 원자 간 포텐셜을 이용한 효율적인 그랜드 캐노니컬 전역 최적화

문제 정의
반응성 환경 하에서의 나노 구조 재료 특성 규명은 구조적 모티프와 화학적 변환의 복잡성으로 인해 어려움을 겪고 있다. 전역 최적화(Global Optimization, GO) 방법은 안정적인 구조를 예측할 수 있지만, 제1원리 계산에 의존할 경우 구성적(configurational) 공간과 조성적(compositional) 공간을 동시에 다루는 것은 계산적으로 매우 부담스럽다. 전통적인 접근 방식은 일반적으로 한 번에 하나의 화학 양론(stoichiometry)만을 최적화하며, 이는 모든 가능한 화학적 상태(예: 산소 함량 변화)에 대해 별도의 탐색을 요구한다. 이러한 방식은 구성 원소의 수가 늘어남에 따라 필요한 화학 양론의 수가 기하급수적으로 증가하기 때문에 비효율적이다. 또한, 평가된 많은 화학 양론들이 불안정하거나 목표 반응 조건과 무관하여 계산 자원을 낭비하게 된다.

방법론
저자들은 AGOX(Atomistic Global Optimization X) 파이썬 라이브러리 내에서 그랜드 캐노니컬 전역 최적화(Grand Canonical Global Optimization, GCGO) 알고리즘을 구현하였다. 이 접근 방식은 **온더플라이로 학습되는 머신러닝 원자 간 포텐셜(MLIP)**을 ab initio 열역학 프레임워크와 결합하여 구조적 공간과 조성적 공간을 동시에 탐색한다.

주요 방법론적 구성 요소는 다음과 같다:

• 대리 모델(Surrogate Model): 알고리즘은 SOAP(Smooth Overlap of Atomic Positions) 기술자를 기반으로 하는 희소 가우시안 프로세스 회귀(Sparse Gaussian Process Regression, GPR) 모델을 활용한다. 이 로컬 GPR 모델은 탐색 과정 중에 온더플라이 방식으로 학습된다. 이 모델은 "크기 확장성(size-extensive)"을 갖는데, 이는 총 에너지를 원자별 기여도로 분해함으로써 다양한 원자 수(서로 다른 화학 양론)를 가진 구조에 대해서도 에너지를 예측할 수 있음을 의미한다.
• 열역학 프레임워크: 알고리즘은 잠재 에너지만을 최적화하는 대신, 각 후보 구조에 대한 **깁스 형성 자유 에너지($\Delta G_c$)**를 평가한다. 이는 다음과 같은 ab initio 열역학 근사법을 사용하여 계산된다:
  $$\Delta G_c = E_c - E_r - \sum_{v} \Delta n_v (E_v + \Delta \mu_v)$$
  여기서 $E$는 0 K에서의 잠재 에너지, $\Delta n_v$는 원자 수의 변화량, $\Delta \mu_v$는 저장소(예: $O_2$ 가스)의 온도 및 압력 의존적 화학 포텐셜을 나타낸다. 계산 효율성을 유지하기 위해 후보 구조에 대한 열적 기여(thermal contributions)는 무시되었으며, 저자들은 이 단순화가 질적으로 올바른 상평형도를 도출함을 검증하였다.
• 액티브 러닝 루프(Active Learning Loop): 알고리즘은 다음의 반복 주기를 따른다:
  1. 생성(Generation): 새로운 후보들은 무작위화, 격자 흔들기(lattice rattling), 또는 시드(seed) 구조로부터 원자를 추가하거나 제거하는 방식(Addition/Removal Generator)을 통해 생성된다.
  2. 선택(Selection): 샘플러(Sampler) 모듈은 깁스 형성 자유에 기초하여 시드를 선택한다. 여기에는 표준 깁스 자유 에너지 샘플러와 구조적 유사성(SOAP)에 따라 후보들을 클러스터링하여 다양한 탐색을 보장하는 K-Means 깁스 자유 에너지 샘플러라는 두 가지 특정 샘플러가 도입된다.
  3. 이완 및 평가(Relaxation & Evaluation): 새로운 후보들은 MLIP를 사용하여 이완된다. 획득기(Acquisitor) 모듈은 획득 함수 $F = \Delta G^M_c - \kappa\sigma$를 기반으로 고수준 ab initio 평가를 수행할 후보를 선택한다. 이 함수는 예측된 안정성($\Delta G^M_c$)과 모델의 불확실성($\sigma$) 사이의 균형을 맞추며, 안정적일 것으로 예측되면서도 훈련 세트와 구조적으로 구별되는 후보를 선호한다.
  4. 학습(Training): 선택된 후보들은 목표 이론 수준(DFT 또는 고충실도 MLIP)에서 평가된 후 훈련 세트에 추가되어 GPR 모델을 업데이트한다.

주요 기여

1. 알고리즘 구현: 여러 화학 양론을 동시에 처리할 수 있는 GCGO 알고리즘을 개발하여, 고정된 화학 양론을 사용하는 기존 GO의 한계를 극복하였다.
2. 온더플라이 학습을 통한 효율성: 동적으로 학습되는 GPR 기반 MLIP가 전통적인 방식에 비해 전역 최솟값을 찾는 데 필요한 값비싼 제1원리 계산 횟수를 크게 줄임을 입증하였다.
3. 크기 확장성 모델링: SOAP-GPR 모델을 다양한 조성을 가진 시스템에 성공적으로 적용하여, 각 화학 양론마다 별도의 모델을 재학습할 필요 없이 서로 다른 화학적 상태 간의 깁스 자유 에너지를 직접 비교할 수 있게 하였다.
4. 불확실성 유도 탐색: GPR 유래 불확실성 추정치를 획득 함수에 통합하여, 탐색이 미개척된 퍼텐셜 에너지 표면 영역으로 유도되도록 하였다.

결과
알고리즘은 다양한 복잡성과 목표 이론 수준을 가진 세 가지 시스템에 대해 테스트되었다:

• 자립형(Free-standing) $Ir_3O_x$ 클러스터: MACE MLIP를 목표 이론으로 사용했을 때, GCGO 알고리즘은 다양한 산소 화학 포텐셜($\Delta \mu_O$)에 걸쳐 전역 최솟값을 성공적으로 식별하였다. 누적 성공률은 단일 화학 양론 탐색과 비슷하거나 때로는 이를 상회하였다. 특히, 단 한 번의 GCGO 실행으로 여러 화학 양론(예: $Ir_3$, $Ir_3O_2$ ~ $Ir_3O_9$)의 전역 최솟값을 찾아냈는데, 이는 단일 화학 양론 실행으로는 해당 특정 조성의 최솟값만을 찾을 수 있다는 점과 대조적이다.
• $CeO_2(111)$ 위의 $Pt_3O_x$: DFT를 목표 이론으로 사용하여 기존 문헌의 결과를 재현하고 개선하였다. GCGO 실행은 이전의 단일 화학 양론 GOFEE 연구에서 발견된 것보다 각각 0.70 eV 및 0.56 eV 더 안정적인 $Pt_3O_6$ 및 $Pt_4O_4$의 전역 최솟값을 찾아냈다. 알고리즘은 상평형도를 효율적으로 탐색하여, 독립적인 단일 화학 양론 탐색보다 적은 총 DFT 계산 횟수로 다양한 $\Delta \mu_O$ 값에 대한 안정적인 상태를 식별하였다.
• **$Pd(100)$표면:** 알고리즘은 산화 조건 하에서 순수 금속 표면으로부터 산소로 장식된 상태를 거쳐 표면 산화물 상($Pd_4O_4$)으로 전이되는 과정을 포함한 표면 재구성을 성공적으로 식별하였다. 결과로 얻어진 상평형도는 기존의 실험 및 이론적 결과와 잘 일치하였다.

의의 및 주장
본 논문은 GCGO 알고리즘이 반응 조건 하의 고체 촉매를 특성화하기 위한 유망한 대안이라고 주장한다. 이 방법의 주요 의의는 다음과 같은 능력을 갖추고 있다는 점에 있다:

• 화학 양론을 독립적으로 탐색하는 기존 방식보다 높은 효율성으로 안정적인 구조와 화학적 상태를 식별한다.
• 단 한 번의 계산 실행으로 목표 조건 너머의 상평형도 영역까지 밝혀낸다.
• 안정한 상(phase)이 사전에 알려지지 않은 복잡한 나노 재료를 연구하기 위한 실용적인 프레임워크를 제공한다.

저자들은 이 알고리즘이 매우 효율적이긴 하지만, 후보 구조에 대한 진동 기여를 무시하기 때문에 엄밀한 의미의 operando 접근법은 아니라고 겸허히 언급하였다. 그러나 이 단순화가 신뢰할 수 있는 상 경계(phase boundaries)를 도출하며, 특히 단일 화학 양론이 목표 조건 하에서 다른 화학 양론보다 현저히 더 안정적인 경우에 이 방법이 매우 효과적이라고 주장한다. 이 연구는 제1원리 계산의 계산적 병목 현상을 줄임으로써, 반응 환경 내의 더 크고 복잡한 나노 재료를 다룰 수 있는 길을 열어준다.