Discovering new photovoltaics using optimal transport theory

1. 연구 배경 및 문제 제기 (Problem)

• 기존 접근법의 한계: 신물질 발견은 주로 화학적/구조적 유사성에 기반한 검색을 통해 이루어집니다. 그러나 '유사한 물질'을 정의하는 것은 모호하며, 화학 조성 (Composition) 과 결정 구조 (Structure) 의 유사성 측정을 단일 지표로 통합하고 균형을 맞추는 것이 주요 난제였습니다.
• 데이터 부족: 기존에 제안된 그래프 신경망 (GNN) 기반 임베딩 방법들은 수백만 개의 데이터를 학습해야 높은 성능을 내지만, 광전지 효율 (SLME) 이 라벨링된 데이터는 매우 적어 (약 700 개) 대규모 학습이 어렵습니다.
• 목표: 최소한의 학습 데이터로도 화학적 및 구조적 정보를 통합하여 광전지 물질 간의 의미 있는 유사성을 측정하고, 이를 통해 새로운 고효율 광전지 후보 물질을 발견할 수 있는 방법론을 개발하는 것입니다.

2. 방법론 (Methodology)

이 연구는 최적 수송 (Optimal Transport, OT) 이론을 기반으로 한 퓨즈드 그로모프-워셔슈타인 (Fused Gromov-Wasserstein, FGW) 거리를 적용했습니다.

• FGW 거리 측정:
  • 두 물질 (그래프) 간의 거리를 계산할 때, 노드 (원자) 의 특성 (화학적 정보) 과 에지 (원자 간 연결) 의 구조적 정보를 동시에 고려합니다.
  • 매개변수 $\alpha \in [0, 1]$를 통해 조성 (Composition) 과 구조 (Structure) 의 가중치를 조절합니다. ($\alpha=0$: 조성만, $\alpha=1$: 구조만).
  • 물질은 Pymatgen 의 StructureGraph 를 사용하여 그래프로 표현되었으며, 원자 간 연결성은 Voronoi 알고리즘 (CrystalNN 전략) 을 기반으로 추정되었습니다.
• 특징 벡터 (Feature Vectors):
  • 원자 특성을 나타내기 위해 One-hot, 무작위 분산 벡터, Magpie, Oliynik, SkipAtom, CrystaLLM 등 다양한 임베딩 방식을 비교 평가했습니다.
• 하이퍼파라미터 최적화:
  • Fabini et al. 의 데이터셋 (695 개 물질, SLME 값 포함) 을 사용하여 FGW 거리와 SLME (Spectroscopic Limited Maximum Efficiency) 차이 간의 상관관계를 최대화하는 $\alpha$ 및 거리 행렬 구성을 탐색했습니다.
  • 이진 교차 엔트로피 (BCE) 손실 함수를 사용하여 FGW 거리가 SLME 공간의 거리를 얼마나 잘 포착하는지 평가했습니다.
• 물질 발견 캠페인:
  1. 클러스터링: k-medoid 알고리즘을 사용하여 FGW 거리 공간에서 화학 - 구조적 유사성 기반 군집을 형성했습니다.
  2. 시드 (Seed) 선정: 각 군집에서 SLME 가 가장 높은 물질을 '시드'로 선정했습니다.
  3. 검색 및 필터링: Materials Project 데이터베이스 (약 155,000 개 물질) 에서 시드와 FGW 거리가 가까운 물질을 검색하고, 밴드갭 (0~2.5 eV), 안정성 (hull above < 50 meV), 3 차원 구조 등 조건으로 필터링했습니다.
  4. 검증: 선정된 후보 물질에 대해 하이브리드 밀도 범함수 이론 (HSE06) 을 사용한 DFT 계산을 수행하여 SLME 를 정밀하게 계산하고 검증했습니다.

3. 주요 기여 및 결과 (Key Contributions & Results)

A. 모델 성능 및 비교

• 최적 파라미터: 조성만 ($\alpha=0$) 또는 구조만 ($\alpha=1$) 고려할 때보다 두 요소를 결합했을 때 ($\alpha \approx 0.1 \sim 0.25$) SLME 예측 성능이 가장 우수함을 확인했습니다.
• 경쟁력 있는 성능:
  • FGW 기반 방법은 약 100 만 개 이상의 결정체로 사전 학습된 최신 그래프 신경망 (MACE) 의 임베딩과 유사한 성능을 보였습니다.
  • 특히, 화학 정보가 전혀 없는 'One-hot' 벡터조차 구조적 정보 (FGW) 와 결합하면 MACE 와 경쟁할 수 있는 수준으로 성능이 향상됨을 입증했습니다. 이는 FGW 가 강력한 **유도 편향 (Inductive Bias)**을 가지고 있음을 의미합니다.
• 기저선 (Baseline) 대비 우위: 조성 기반 (Magpie) 방법보다 구조 정보가 포함된 SOAP 및 FGW 방법이 RMSE 를 크게 감소시켰습니다.

B. 새로운 광전지 물질 발견

• 후보 물질 선정: Materials Project 데이터베이스 검색을 통해 18 개의 후보 물질을 선별하고, DFT 계산을 통해 7 개의 이전에는 광전지로 연구되지 않았던 고효율 흡수체 후보를 확인했습니다.
• 주요 발견물 (Cs5Sb8):
  • Cs5Sb8이 가장 주목할 만한 후보로, 예측된 SLME 가 30% 이상이며 열역학적으로 안정한 것으로 확인되었습니다.
  • 이 물질은 기존에 알려진 단순한 치환을 넘어 복잡한 화학 조성을 가지며, Sb 이온의 양쪽성 (amphoteric) 특성과 다양한 Cs 배위 환경이 안정화에 기여하는 것으로 분석되었습니다.
• 기타 후보: CaAgAs, Tl4GeSe4 등 6 개의 추가 물질도 20% 이상의 높은 SLME 를 보였습니다.
• 검증: 선별된 모든 후보 물질에 대해 기존 문헌에서 광전지 흡수체로 연구된 바가 없었으며, FGW 기반 검색이 비선형적 (non-trivial) 인 유사성을 가진 새로운 물질을 찾아내는 데 성공했음을 입증했습니다.

4. 의의 및 결론 (Significance)

• 저비용 고효율 방법론: 대규모 데이터 학습이 필요한 딥러닝 모델 대신, 최적 수송 이론을 활용한 FGW 는 최소한의 학습 데이터로도 높은 정확도의 유사성 측정이 가능함을 보여주었습니다.
• 실용적 발견 도구: 계산 비용이 상대적으로 낮아 (약 100 계산/코어/초) 대규모 데이터베이스 검색에 적용하기 용이하며, 기존 고처리량 스크리닝 및 생성 모델링을 보완할 수 있는 강력한 도구로 자리 잡았습니다.
• 지속 가능한 에너지 기여: 기후 변화 대응을 위한 고효율 태양전지 소재 개발에 있어, 화학적/구조적 유사성 기반의 새로운 발견 패러다임을 제시했습니다.

이 연구는 **FGW(퓨즈드 그로모프-워셔슈타인)**가 재료 과학, 특히 광전지 소재 발견 분야에서 구조와 조성을 통합적으로 고려한 강력한 메트릭으로 작용할 수 있음을 실증적으로 증명했습니다.