C2NP: A Benchmark for Learning Scale-Dependent Geometric Invariances in 3D Materials Generation

기술 요약: 규모 의존적 기하학적 불변성을 위한 C2NP 벤치마크

문제 정의
재료 과학을 위한 생성 모델은 단위 격자에 인코딩된 무한한 병진 대칭성을 가진 주기적 벌크 결정에서 강력한 성능을 입증해 왔다. 그러나 유한한 나노구조로의 규모 전이(scale transitions)에 대한 일반화 능력은 여전히 충분히 검증되지 않았다. 나노입자는 병진 주기성이 결여되어 있으며, 대신 표면 패싯(facet), 에지 사이트(edge sites), 그리고 감소된 배위수(coordination numbers)에 의해 지배되며, 이는 구조적 완화와 양자 크기 효과를 유발한다. 기존의 벤치마크 및 데이터셋(예: Materials Project, CSPBench)은 주로 벌크 상(bulk phases)이나 표면 슬래브(surface slabs)에 집중되어 있어, 주기적 단위 격자와 규모별로 분해된 나노입자 구성 간의 체계적인 쌍을 형성하는 데 실패하고 있다. 결과적으로, 기존 모델들이 무한 격자에서 유한 클러스터로의 전이를 관장하는 확장 가능한 물리적 원리를 학습하는 것인지, 아니면 좁은 훈련 분포 내에서 상관관계를 단순히 암기하는 것인지 불분명하다.

방법론
저자들은 무한 단위 격자와 유한 나노입자 사이의 양방향 구조 변환을 평가하기 위해 설계된 체계적인 벤치마크인 **C2NP (Crystal-to-Nanoparticle)**를 소개한다.

• 데이터셋 구축: 본 벤치마크는 에너지 저장 및 촉매 분야와 관련된 재료군인 페로브스카이트 수소화물(perovskite hydrides)의 구조적으로 일관된 하위 집합을 활용한다. DFT로 최적화된 결정학적 단위 격자로부터 시작하여, 저자들은 $20 \times 20 \times 20$ 슈퍼셀을 구축한다. 유한 나노입자는 $R \in \{6, \dots, 30\}$ Å 범위의 반경에서 결정론적 구형 카빙(spherical carving, 절단)을 통해 생성된다. 이 과정은 추가적인 구조적 완화 없이 170,000개 이상의 나노입자 구성을 생성하며, 이를 통해 기하학적 크기 효과를 격리한다.
• 데이터 분할: 일반화 성능을 엄격하게 평가하기 위해, 데이터셋은 입자 크기와 방향에 따라 분할된다:
  • 크기 분할(Size Splits): 훈련 데이터는 중간 범위의 반경을 다룬다. 분포 내(In-distribution, ID) 테스트는 중간 범위의 반경을 사용하며, 분포 외(Out-of-distribution, OOD) 테스트는 표면 대 부피 비율이 가장 높은 극단적인 크기($R=6, 7, 29, 30$ Å)를 대상으로 한다.
  • 방향성 증강(Orientational Augmentation): 회전 증강은 단위 사원수를 사용하여 $SO(3)$ 상에서 적용된다. 탐욕 알고리즘(greedy algorithm)은 훈련, ID, OOD 세트 간의 측지선(geodesic) 분리를 보장하여 분포 중첩과 방향 편향을 방지한다.
• 벤치마크 태스크: C2NP는 두 가지 상보적인 태스크를 정의한다:
  1. 순방향 생성 (Unit Cell $\to$ Nanoparticle): 주어진 단위 격자와 목표 반경에 대해, 모델은 기저의 주기적 질서를 유지하면서 표면 절단을 정확하게 포착하는 유한 나노입자를 생성해야 한다.
  2. 역방향 재구성 (Nanoparticle $\to$ Unit Cell): 주어진 유한 나노입자 구성으로부터, 모델은 표면 무질서와 깨진 주기성에도 불구하고 벌크 격자 매개변수와 공간군 대칭성을 추론해야 한다.
• 평가 지표: 성능은 견고하고 정규화된 지표를 사용하여 평가된다. 생성의 경우, RMSD, Hausdorff 거리, 볼록 껍질 부피 오차(convex-hull volume error), 그리고 방사 분포 함수(RDF) 오차가 포함된다. 역방향 태스크의 경우, 격자 매개변수 RMSE, 공간군 정확도, 그리고 결합 회복 정확도(동시의 정확성)가 지표로 사용된다.

주요 기여

1. C2NP 데이터셋: 규모 의존적 일반화를 테스트하도록 명시적으로 설계된, DFT로 검증된 단위 격자와 약 172,000개의 규모별 나노입자 구성을 쌍으로 묶은 대규모의 재현 가능한 데이터셋이다.
2. 양방향 평가 프레임워크: 생성적(순방향) 문제와 역방향(재구성) 문제를 모두 조사할 수 있는 통합된 테스트베드로, 모델이 확장 가능한 물리적 원리를 인코딩하는지 아니면 템플릿 암기에 의존하는지를 탐구한다.
3. 엄격한 분할 전략: 보간(interpolation)과 외삽(extrapolation) 영역을 엄격히 격리하는 측지선 방향 분리 기반의 새로운 파티셔닝 체계이다.
4. 진단적 통찰: 본 벤치마크는 훈련 손실을 최소화하는 것이 규모 전이 태스크에서 구조적 충실도를 보장하는 좋은 대리 지표가 아님을 밝혀내며, 현재의 최첨단 모델들이 가진 근본적인 실패 모드를 노출한다.

실험 결과
저자들은 CDVAE, DiffCSP, FlowMM, MatterGen-MP, ADiT를 포함한 여러 최첨단 생성 모델을 평가하였다.

• 순방향 태스크 (생성): 유사하게 높은 정규화 손실 점수(약 0.61)를 달럼에도 불구하고, 대부분의 모델(ADiT, DiffCSP, FlowMM, MatterGen)은 구조적으로 의미 있는 나노입자를 생성하는 데 실패하였으며, 약한 기하학적 충실도(RMSD/Hausdorff 점수 0.34–0.54)를 보였다. 반면, CDVAE는 더 낮은 손실에도 불구하고 모든 구조 지표에서 최적에 가까운 기하학적 성능(점수 $\approx$ 1.00)을 달성하였는데, 이는 CDVAE의 잠재 변수(latent-variable) 공식이 전역 구조를 더 잘 제약함을 시사한다. 모든 모델에서 OOD 크기 외삽 조건 하에 성능이 저하되었으나, CDVAE는 안정성을 유지했다.
• 역방향 태스크 (재구성): 평가된 어떤 방법도 격자 매개변수와 공간군 대칭성을 동시에 회복하는 데 성공하지 못했다. 일부 모델은 적절한 공간군 정확도(약 0.61–0.66)를 달성했으나, 격자 매개변수 회복은 여전히 취약했다(RMSE 점수 0.34–0.50). 결정적으로, 모든 방법에서 결합 정확도가 0.50으로 고정되었는데, 이는 연속적인 격자 회귀와 이산적인 대칭 분류 사이의 단절을 나타낸다. 성능은 OOD 조건에서도 개선되지 않았으며, 이는 과적합보다는 결정학적 추론의 내재적 한계를 시사한다.

의의 및 주장
본 논문은 C2NP가 현재의 생성 모델이 물리적 규모를 가로질러 일반화하는 데 실패하는 것을 진단하기 위한 통제된 프레임워크를 제공한다고 주장한다. 결과는 기존 방법론들이 확장 가능한 물리적 일반화보다는 템플릿 암기에 크게 의존하고 있음을 보여준다. 구체적으로, 본 벤치마크는 다음을 입증한다:

• 낮은 훈련 손실이 기하학적으로 유효한 나노입자 생성을 보장하지 않는다.
• 유한하고 표면이 교란된 구성으로부터 벌크 결정학적 질서를 추론하는 것은 현재의 아키텍처에 있어 엄격하고 미해결된 과제이다.
• 모델이 무한한 주기성과 유한한 크기 사이의 전이를 추론하는 능력에는 근본적인 격차가 존재한다.

저자들은 C2NP를 물리적 규모에 대해 추론할 수 있는 아키텍처를 개발하기 위한 토대로 위치시키며, 이는 나노입자 촉매 설계, 수소 저장을 위한 나노 구조 수소화물, 그리고 더 넓은 재료 발견 분야에 즉각적으로 적용될 수 있다. 데이터셋과 코드는 이 분야의 재현 가능한 연구를 촉진하기 위해 공개되었다.