Active Learning Guided Computational Discovery of 2D Materials with Large Spin Hall Conductivity

기술 요약: 높은 스핀 홀 전도도를 가진 2D 물질의 능동 학습 기반 계산적 발견

문제 정의
스핀-궤도 결합(SOC)을 통해 종방향 전하 전류를 횡방향 스핀 전류로 변환하는 데 의존하는 차세대 스핀트로닉스 소자에는 높은 스핀 홀 전도도(SHC)를 가진 2차원(2D) 물질의 발견이 매우 중요하다. 그러나 이러한 물질을 식별하는 것은 방대한 2D 화학 공간과 기존의 제일원리 계산법이 갖는 과도한 계산 비용으로 인해 어려움을 겪고 있다. 고처리량 스크리닝(High-throughput screening)이 존재하지만, 이는 종종 정확도를 저해하는 알고리즘적 단순화에 의존하며, 특히 분산된 밴드 구조(dispersive band structures)를 사용하는 과정에서 최대 국소화 워너 함수(MLWF)를 이용한 타이트 바인딩(TB) 모델 구축 시 오류가 발생할 수 있다. 자동화된 MLWF 생성 과정에서의 오류는 SHC 예측 정확도를 크게 떨어뜨릴 수 있다.

방법론
저자들은 약 2,000개의 2D 물질을 포함하는 Materials Cloud Two-Dimensional Structure Database(MC2D)의 화학 공간을 효율적으로 탐색하기 위해 밀도 범함수 이론(DFT), 타이트 바인딩 모델링, 그리고 머신러닝(ML)을 통합한 능동 학습 프레임워크를 개발하였다.

1. 계산 워크플로우:

   • DFT: 전자 밴드 구조(EBS)는 GGA-PBE 범함수와 norm-conserving 슈도포텐셜을 사용하는 Quantum ESPRESSO를 사용하여 계산되었다.
   • MLWF 및 TB 모델링: 정확성을 보장하기 위해, 분산된 밴드 구조의 자동화된 고처리량 생성에서 발생하는 오류를 피하고자 Wannier90을 사용하여 DFT 파동 함수로부터 MLWF를 수동(사용자 가이드 방식)으로 구축하였다. 이러한 MLWF는 최소 기저 집합(minimal basis set) TB 해밀토니안의 기초가 되었다.
   • SHC 계산: SHC는 Kubo 공식을 사용하여 계산되었다. 스핀-궤도 결합(SOC)은 해밀토니안에 추가적인 항으로 도입되었으며, SOC 파라미터는 DFT 결과와 일치하도록 조정되었다. 계산은 조밀한 k-그리드($800 \times 800 \times 1$)에서 수행되었다.

2. 능동 학습 루프:

   • 초기 데이터셋: 프로세스는 다양한 화학 계열과 대칭성을 포함하는 24개의 2D 시스템을 포함하는 다양한 훈련 세트로 시작되었다.
   • 특징 공학(Feature Engineering): 모델은 matminer 라이브러리에서 제공하는 132개의 원소 특징(예: 공유 결합 반지름, 전기 음성도, 원자량)과 26개의 수작업 대칭 특징(예: 반전 중심 존재 여부, 거울면)을 포함하여 총 158개의 특징을 사용하여 훈련되었다.
   • 모델 선택: 대상 SHC 값의 범위가 매우 넓기 때문에 대칭 로그 변환(symmetric log transformation)이 적용되었다. Ridge Regression, Support Vector Regression, Gaussian Process Regression 중에서 Ridge Regression이 지속적으로 가장 낮은 교차 검증 오차를 보여 스크리닝을 위해 선택되었다.
   • 획득 전략(Acquisition Strategy): 탐색(높은 불확실성)과 활용(높은 예측 SHC) 사이의 균형을 맞추기 위해 "기대 개선(Expected Improvement, EI)" 획득 함수가 사용되었다. 각 3회의 능동 학습 루프에서, 높은 EI 값을 가진 5~7개의 후보가 엄격한 DFT-SOC+TB 검증을 위해 단기 명단에 올랐다.
   • 반복(Iteration): 새로 계산된 SHC 값은 다음 라운드의 모델 재훈련을 위해 훈련 세트에 추가되었다.

주요 결과

• 고-SHC 후보 물질 발견: 능동 학습 전략은 유의미하게 향상된 SHC를 가진 물질들을 성공적으로 식별하였다. 가장 우수한 성능을 보인 후보 물질인 Fe$_2$TeSe(라운드 3에서 발견)는 271.52 $\hbar/e\Omega^{-1}$의 SHC를 나타냈다.
• 성능 향상: 이 값은 초기 무작위 선택에서 발견된 최적의 후보(AuSe, 11.7 $\hbar/e\Omega^{-1}$)보다 약 23배 더 높다. 두 번째로 우수한 후보인 K$_2$PtTe$_2$는 초기 최적값 대비 16배의 증가를 보였다.
• 모델 정확도: ML 모델이 극단적인 이상치(outliers)를 완벽한 정밀도로 예측하는 데 어려움을 겪었으나(이는 능동 학습의 알려진 과제임), 세 번의 라운드에 걸쳐 SHC 분포가 지속적으로 오른쪽으로 이동한 것에서 알 수 있듯이, 모델은 높은 SHC 값을 가진 화학 공간 영역을 찾는 데 성공적으로 가이드 역할을 하였다.
• 화학적 통찰: SHAP(SHapley Additive exPlanations) 및 상관관계 분석을 통해 높은 SHC가 단순히 무거운 원소나 반전 대칭성 파괴에 의해서만 결정되지 않음을 밝혔다. 주요 요인은 다음과 같았다:
  • 금속성(Metallicity): 상위 10개 후보 중 9개가 금속이었다.
  • 궤도 특성(Orbital Character): 비무거운 전이 금속(예: Fe, Mn, Cu)이라 할지라도 페르미 에너지($E_F$) 근처에서 $d$-궤도가 지배적이었다.
  • 대칭성: 회전-반전 대칭(roto-inversion symmetry)의 부재는 높은 SHC의 강력한 지표였다. 반대로, 다수의 거울면이나 비공정(non-symmorphic) 공간군이 존재한다는 사실은 이 데이터셋에서 높은 SHC와 일관된 상관관계를 보이지 않았다.
  • 공유 결합 반지름: 구성 원소들의 최대 및 최소 공유 결합 반지름 사이의 큰 차이(Magpie 특징)가 가장 영향력 있는 예측 인자였다.

의의 및 주장
저자들은 본 연구가 대규모 화학 공간에서 물질 발견을 가속화하기 위해 능동 학습과 정확한 물리 기반 모델(DFT-SOC+TB)을 결합하는 것의 효용성을 입증한다고 주장한다. 본 연구는 다음을 강조한다:

1. 효율성: 능동 학습은 전수 스크리닝보다 훨씬 적은 계산 자원으로 우수한 물질을 식별할 수 있다.
2. SHC의 복잡성: 높은 SHC는 단순히 무거운 원자의 존재와 같은 단순한 휴리스틱이 아니라, 금속성, $E_F$ 근처의 특정 궤도 대칭성, 그리고 특정 대칭성 파괴(회전-반전 대칭의 부재)를 포함한 요소들의 복잡한 상호작용에서 발생한다.
3. 데이터 가용성: 생성된 데이터셋과 훈련된 ML 모델은 추가적인 연구를 촉진하기 위해 공개적으로 제공된다.
4. 검증: Fe$_2$TeSe를 포함한 상위 후보 물질들은 동역학적으로 안정적이고 박리(exfoliable)가 가능한 것으로 예측되어, 향후 실험적 조사의 유망한 대상이 된다.

결론적으로, ML 모델이 강력한 스크리닝 도구 역할을 수행하지만, 특히 복잡한 밴드 구조를 가진 시스템에 대해 신뢰할 수 있는 SHC 값을 얻기 위해서는 사용자 가이드 방식의 고충실도(high-fidelity) TB 모델링 통합이 필수적이다.