Acceleration of Atomistic NEGF: Algorithms, Parallelization, and Machine Learning

당신이 몇 천 개의 원자 정도로 아주 작은 실리콘 미세 와이어를 통해 전기가 어떻게 흐르는지 이해하려고 노력하고 있다고 상상해 보세요. 이를 정확하게 수행하기 위해 과학자들은 NEGF(비평형 그린 함수, Non-equilibrium Green's function)라는 복잡한 수학적 도구를 사용합니다. NEGF를 전자를 위한 초정밀 기상 예보라고 생각하면 됩니다. 이것은 전자가 어떻게 움직이고, 서로 어떻게 튕겨 나가며, 물질의 진동과 어떻게 상호작용하는지를 예측합니다.

하지만 실제 크기의 소자를 대상으로 이러한 "예보"를 실행하는 것은 1980년대 계산기로 지구 전체의 날씨를 예측하려는 것과 같았습니다. 너무 느리고 컴퓨터가 다운되곤 했기 때문입니다.

ETH 취리히 연구팀의 이 논문은 이 문제를 해결하기 위해 세 가지 비결인 더 나은 알고리즘, 대규모 협업(병렬화), 그리고 인공지능을 사용하여 어떻게 "슈퍼 계산기"를 구축했는지 설명합니다.

다음은 그들의 연구 내용을 쉬운 비유를 들어 정리한 것입니다.

1. 문제점: 수학의 "교통 체증"

과 과거에는 아주 작은 시스템(몇 개의 원자)만을 시뮬레이션할 수 있었습니다. 현실적인 소자(수천 개의 원자)를 시뮬레이션하려면 수학적 계산이 엄청나게 무거워집니다.

• 도전 과제: 이 방정식들은 모든 조각이 서로에게 의존하는 거대한 퍼즐을 풀어야 합니다. 이를 하나씩 처리하는 데는 시간이 너무 오래 걸립니다.
• 목표: 그들은 전자들이 서로 부딪히는 현상(산란, 마치 교통 체증 속에서 자동차들이 서로의 속도를 늦추는 것과 같은 현상)을 고려하면서도, 실제로 유용하게 쓰일 수 있을 만큼 충분히 큰 실리콘 "나노 리본"(작은 와이어)을 시뮬레이션하고자 했습니다.

2. 해결책: "조립 라인" (병렬화)

속도를 높이기 위해 연구팀은 단순히 더 빠른 컴퓨터를 만든 것이 아니라, 작업 방식 자체를 바꿨습니다.

• 비유: 거대한 도서관에서 특정 책을 찾아야 한다고 상상해 보세요. 한 명의 사서가 통로를 하나씩 걷는 대신, 9,400명의 사서(컴퓨터)를 고용하여 동시에 작업하게 하는 것입니다.
• 기술: 그들은 Serinv라고 불리는 방법을 개발했습니다. 거대한 수학 문제를 길고 물결치는 블록의 줄이라고 생각해 보세요. 전체 줄을 한꺼번에 풀려고 하는 대신, 이 줄을 작은 덩어리로 자른 뒤 각 덩어리를 서로 다른 컴퓨터에 할당합니다.
• 결과: 그들은 이 기술을 세계에서 가장 강력한 슈퍼컴퓨터 중 하나인 Frontier에서 테스트했습니다. 그들은 25,344개의 원자로 이루어진 실리콘 와이어를 시뮬레이션했습니다. 9,400개의 컴퓨터 노드가 함께 작동함으로써 80%의 효율성을 달로 달성했습니다. 이는 거의 모든 컴퓨터가 놀지 않고 열심히 일하고 있었음을 의미합니다.

3. "타임 트래블" 기술 (알고리즘)

이 수학에는 데이터가 다르게 조직되어야 하는 두 가지 유형의 계산이 포함됩니다.

• 비유: 요리를 하고 있다고 상상해 보세요. 때로는 채소를 먼저 모두 다 썰어야 하고(데이터 조직 방식 1), 때로는 냄비를 오랫동안 저어야 합니다(데이터 조직 방식 2).
• 해결책: 연구팀은 데이터를 즉시 "전치(transpose)"하거나 재배열할 수 있는 시스템을 만들었습니다. 이는 마치 요리사가 다음에 필요로 하는 것에 따라 채소가 쟁반에서 냄비로 즉시 형태를 바꾸는 마법 같은 주방을 가진 것과 같습니다. 이를 통해 선형 방정식을 푸는 것과 복잡한 에너지 컨볼루션(convolution)을 하는 것 사이를 시간 낭비 없이 빠르게 전환할 수 있습니다.

4. "수정구슬" (머신 러닝)

슈퍼 컴퓨터를 사용하더라도 하나의 병목 구간이 존재합니다. 바로 DFT(밀도 범함수 이론)라고 불리는 방법을 사용하여 초기 원자 지도(Hamiltonian matrix)를 만드는 과정입니다.

• 문제: DFT는 모든 건물의 모든 벽돌을 하나하나 측정하여 도시의 지도를 그리는 것과 같습니다. 매우 정확하지만, 큰 도시(수천 개의 원자)를 대상으로 할 때는 엄청난 시간과 에너지가 소요됩니다.
• 혁신: 연구팀은 **AI(구체적으로는 그래프 신경망, Graph Neural Network)**를 "수정구슬" 역할을 하도록 훈련시켰습니다.
  • 그들은 AI에게 특정 유형의 메모리 셀(Valence Change Memory 또는 VCM이라 불림)에서 원자들이 어떻게 배열되는지에 대한 몇 가지 사례를 보여주었습니다.
  • AI는 그 패턴을 학습했습니다. 이제, 모든 벽돌을 측정하는 대신(DFT 실행), AI는 새로운 구성의 메모리 셀에 대한 지도를 즉각적으로 예측할 수 있습니다.
• 주의점: AI는 매우 빠르지만(크기에 따라 선형적으로 확장됨), 약 2 meV 정도의 미세한 오차가 있습니다. 이는 AI가 도시의 레이아웃은 완벽하게 그릴 수 있지만, 표지판은 약간 틀릴 수 있는 것과 같습니다. 아직 인간 측량사를 완전히 대체할 만큼 완벽하지는 않지만, 매우 큰 진전입니다.

5. 결과: 무엇을 발견했는가?

• 실리콘 와이어: 그들은 전자-전자 상호작용이 포함된 실리콘 와이어를 성공적으로 시뮬레이션했습니다. 전자가 상호작용할 때 에너지 간격(밴드 갭)이 물리 법칙이 예측하는 대로 약간 더 커진다는 것을 발견했습니다.
• 전류 보존: 그들은 복잡한 상호작용이 있음에도 불구하고 와이어의 한쪽으로 들어오는 전류량이 반대쪽으로 나가는 전류량과 정확히 일치함을 입증함으로써 시뮬레이션이 제대로 작동함을 증명했습니다.
• AI 테스트: 그들은 AI를 사용하여 메모리 셀을 통해 전기가 어떻게 흐르는지 예측했습니다. AI의 예측은 실제 물리 법칙과 매우 유사했으며, 이는 머신 러닝이 이러한 시뮬레이션 속도를 크게 높일 수 있음을 증명했습니다.

요약

이 논문은 **규모의 확장(Scaling up)**에 관한 것입니다. 연구팀은 이전에 아주 작은 장난감 수준의 모델에 국한되었던 방법을 실제 산업 규모의 장치로 확장했습니다. 그들은 다음 세 가지 방법을 통해 이를 달成了합니다:

1. 작업을 수천 대의 컴퓨터로 나누기 (병렬화).
2. 컴퓨터가 막히지 않도록 데이터를 재조직하기 (알고리즘).
3. 수학의 가장 어려운 부분을 예측하도록 AI를 가르치기 (머신 러닝).

그들이 모든 문제를 해결한 것은 아닙니다(AI는 아직 완벽하지 않으며, 일부 시뮬레이션은 여전히 너무 무겁습니다). 하지만 그들은 과학자들이 마침내 높은 정확도로 실제 양자 소자를 시뮬레이션할 수 있게 해주는 엔진을 구축했습니다.