Expanding Universal Machine Learning Interatomic Potentials to 97 Elements Towards Nuclear Applications

이 논문은 핵 분야에서 중요한 경미한 악티늄족 원소를 포함한 97 개 원소에 대한 범용 기계 학습 상호 원자 퍼텐셜을 개발하여 기존 모델의 한계를 극복하고 새로운 핵 재료 설계의 길을 열었다고 요약할 수 있습니다.

핵심

이 논문은 **"원자 세계의 지도를 97 개까지 확장한 거대한 인공지능 프로젝트"**라고 할 수 있습니다.

기존의 인공지능 모델들이 원자 사이의 힘을 예측하는 데에는 한계가 있었는데, 이 연구는 그 한계를 깨고 핵연료, 우주 탐사, 고온 내열 소재 등 우리가 아직 잘 모르는 '중원소 (무거운 원자)'들의 성질까지 예측할 수 있게 만들었습니다.

이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

---

1. 문제: "알고 있는 원자는 많지만, '무거운 원자'는 비어있다"

우리가 원자 세계를 여행한다고 상상해 보세요.
기존의 인공지능 (MLIP) 은 주기율표의 89 개 원자까지는 아주 잘 알고 있습니다. 마치 유럽과 아시아의 주요 도시 지도를 완벽하게 외운 여행 가이드 같은 거죠.

하지만 아메리슘 (Am), 큐륨 (Cm), 캘리포늄 (Cf) 같은 '무거운 원자 (중원소)'들은 어떨까요?
이들은 핵폐기물이기도 하지만, 우주선 전지나 차세대 원자로의 핵심 재료가 될 수 있는 보물입니다. 그런데 문제는 이 원자들은 방사능이 너무 강해서 실험실에서 직접 만져보거나 실험하기 어렵다는 점입니다.

• 비유: 마치 미지의 대륙처럼, 지도에 표시되어 있지 않거나 정보가 너무 희박해서 여행 가이드 (기존 AI) 가 "저곳은 모릅니다"라고 말하는 상황입니다.

2. 해결책: "새로운 지도 (HE26) 를 직접 그리다"

연구팀은 이 빈 공간을 채우기 위해 HE26 이라는 새로운 데이터셋을 만들었습니다.
이것은 컴퓨터 시뮬레이션 (DFT) 을 통해 실험실에서 하기 힘든 무거운 원자들의 성질을 가상으로 계산해 모은 **'디지털 지도'**입니다.

• 비유: 탐험가들이 직접 미지의 대륙으로 가서 지형, 기후, 식생 등을 일일이 기록해서 새로운 지도를 만든 것과 같습니다. 이 지도에는 아메리슘, 캘리포늄 등 8 가지의 희귀한 원자 8 종을 포함해 총 65 개 원소의 정보가 담겨 있습니다.

3. 핵심 기술: "만능 여행 가이드 (MACE-Osaka26) 의 탄생"

연구팀은 이 새로운 지도 (HE26) 를 기존의 잘 알려진 도시 지도 (분자 데이터, 결정 데이터) 와 합쳤습니다. 그리고 이 모든 것을 학습시켜 **97 개 원소를 모두 다룰 수 있는 '만능 AI 모델 (MACE-Osaka26)'**을 만들었습니다.

• 비유:
  • 기존 AI 는 "유럽과 아시아는 잘 알지만, 아프리카는 모른다"고 했다면,
  • 새로운 AI 는 **"전 세계 97 개 나라의 모든 도시와 시골 마을을 다 알고 있는 슈퍼 가이드"**가 된 것입니다.
  • 특히 이 가이드는 **원자 사이의 힘 (에너지)**을 계산할 때, 기존 실험실 계산 (DFT) 보다 수천 배는 빠르면서도 정확도는 거의 비슷하게 유지합니다.

4. 성과: "우주와 원자력의 미래를 예측하다"

이 새로운 AI 가 실제로 얼마나 잘하는지 확인해 보았습니다.

1. 정확한 예측: 기존에 정보가 없었던 무거운 원자들의 결정 구조 (원자들이 어떻게 모여 있는지) 를 예측했을 때, 실험 데이터와 매우 잘 일치했습니다.
2. 열전도도 예측 (핵심 성과): 원자재가 얼마나 잘 열을 전달하는지 예측했습니다.
   • 비유: 원자로에서 열이 어떻게 퍼져 나가는지 예측하는 것은 마치 **"폭발 직전의 오븐 안에서 열이 어떻게 이동할지 미리 예측하는 것"**과 같습니다.
   • 이 AI 는 우라늄 (U) 에 아메리슘 (Am) 을 섞었을 때 열전도도가 어떻게 떨어지는지 정확히 계산해냈습니다. 이는 차세대 원자로 설계에 매우 중요한 정보입니다.

5. 왜 중요한가?

이 연구는 단순히 원자 하나를 더 아는 것을 넘어, 인류의 에너지와 우주 탐사에 큰 도움을 줍니다.

• 핵연료 재활용: 핵폐기물로 버려지던 무거운 원자들을 다시 연료로 쓸 수 있는 방법을 설계할 수 있습니다.
• 우주 탐사: 아메리슘을 이용한 전지 (RTG) 는 화성 탐사선 등에 필수적입니다. 이 AI 를 통해 더 효율적인 전지 재료를 찾을 수 있습니다.
• 고엔트로피 세라믹: 극한 환경에서도 견디는 새로운 소재를 개발할 수 있습니다.

요약

이 논문은 **"방사능 때문에 실험하기 어려운 무거운 원자들까지 포함하여, 전 세계 원자 지도를 완성한 AI 를 개발했다"**는 이야기입니다.

이제 우리는 이 AI 를 통해 원자력 발전소의 안전성, 우주선의 배터리, 그리고 차세대 신소재를 실험실로 가지 않고도 컴퓨터로 빠르게 설계하고 검증할 수 있게 되었습니다. 마치 원자 세계의 구글 맵이 완성되어, 이제 어디든 자유롭게 탐험할 수 있게 된 것과 같습니다.

기술 요약

이 논문은 원자핵 분야, 특히 소량 액티나이드 (Minor Actinides) 를 포함한 중원소 시스템의 물성 예측을 위해 범용 머신러닝 원자간 퍼텐셜 (Universal MLIP) 의 원소 커버리지를 97 개로 확장한 연구입니다. 주요 내용은 다음과 같습니다.

1. 연구 배경 및 문제 제기 (Problem)

• 핵연료 순환 및 신소재의 중요성: 아메리슘 (Am), 퀴륨 (Cm), 캘리포늄 (Cf) 과 같은 소량 액티나이드는 단순한 핵폐기물이 아니라, 우주 탐사용 방사성 동위원소 열전 발전기 (RTG) 나 극한 환경용 고엔트로피 세라믹 등 차세대 핵연료 및 신소재의 핵심 자원입니다.
• 실험적 한계: 이러한 원소들의 강한 방사능과 독성으로 인해 격자 열전도도, 열팽창 계수, 점도 등 중요한 열물성 및 열화학적 성질의 실험적 측정이 매우 어렵고 비용이 많이 듭니다.
• 기존 계산 방법의 한계: 밀도범함수이론 (DFT) 기반의 1 차 원리 계산은 정확하지만, 다성분계 (Mixed Oxides 등) 나 고차 비조화력 상수 (anharmonic force constants) 를 구할 때 계산 비용이 prohibitive(부담스러울 정도로 큼) 해집니다.
• 기존 MLIP 의 한계: 기존 범용 머신러닝 원자간 퍼텐셜 (Universal MLIP) 들은 대부분 89 개 원소까지만 커버하며, 전위 (Transuranium) 원소나 무거운 원소에 대한 데이터가 부족하여 핵 분야 적용에 제한이 있었습니다.

2. 방법론 (Methodology)

• HE26 데이터셋 구축: 연구팀은 실험 및 계산 문헌 데이터를 기반으로 HE26 (Heavy Element 2026) 이라는 새로운 DFT 데이터셋을 구축했습니다.
  • 범위: 총 65 개 원소를 포함하며, 기존 대규모 데이터셋에 거의 없었던 8 개의 중원소 (Am, Cm, Cf, Fr, At, Ra, Po, Rn) 를 포함합니다.
  • 서브셋 구성:
    1. BHE (Basic Heavy Element): 원소 고체 및 이원계 산화물.
    2. CHE (Complex Heavy Element): 다양한 다성분계 시스템.
    3. CCFO (Compositionally Complex Fluorite Oxides): 액티나이드, 란타나이드, 희토류 원소가 포함된 2 원계부터 5 원계까지의 플루오라이트형 혼합 산화물 (고엔트로피 세라믹 및 소량 액티나이드 혼합 산화물 연료 타겟).
• 통합 및 학습 (MACE-Osaka26 개발):
  • 기존 분자 데이터셋 (OFF23) 과 결정 데이터셋 (MPtrj) 과 HE26 을 총 에너지 정렬 (Total Energy Alignment, TEA) 프로토콜을 통해 통합하여 97 개 원소를 아우르는 범용 데이터셋을 만들었습니다.
  • 이 데이터셋을 사용하여 MACE-Osaka26이라는 오픈소스 범용 MLIP 모델을 학습시켰습니다.
  • 아키텍처 개선: 중원소 BCC 구조의 정확한 설명을 위해 그래프 컷오프 반경 (cutoff radius) 을 기존 4.5 Å 에서 6.0 Å 로 확장하여 장거리 상호작용을 포착하도록 설계했습니다.

3. 주요 결과 (Key Results)

• 범용성 및 정확도:
  • MPtrj (결정) 및 OFF23 (분자) 테스트셋: MACE-Osaka26 은 기존 모델 (MACE-Osaka24) 대비 에너지 예측 오차 (RMSE) 를 크게 감소시켰습니다. 특히 분자 시스템 (OFF23) 에서 RMSE 가 25.2 meV/atom 에서 12.3 meV/atom 으로 절반 이상 개선되었습니다.
  • HE26 (중원소) 성능: 8 개의 중원소를 포함하는 HE26 데이터셋에서 에너지 MAE 는 44.7 meV/atom, 힘 (Force) MAE 는 26.3 meV/Å, 응력 (Stress) MAE 는 1.3 meV/ų의 높은 정확도를 보여주었습니다. 이는 데이터 양이 제한적임에도 불구하고 복잡한 퍼텐셜 에너지 면을 잘 학습했음을 의미합니다.
• 격자 상수 예측:
  • 액티나이드 계열 (Th ~ Cf) 의 플루오라이트 산화물에서 DFT 기준값과 매우 높은 상관관계를 보였으며 (RMSE 0.0067 Å), 다성분계 (Binary ~ Quinary) 시스템에서도 일관된 정확도를 유지했습니다.
• 격자 열전도도 ($\kappa_L$) 예측:
  • MACE-Osaka26 을 통해 생성된 2 차 및 3 차 원자간 힘 상수를 이용해 위그너 수송 방정식 (Wigner Transport Equation) 을 풀어서 액티나이드 이산화물 ($AnO_2$) 의 격자 열전도도를 계산했습니다.
  • 실험 데이터와 잘 일치하는 온도 의존성을 보였으며, 특히 허수 모드 (imaginary phonon modes) 가 전혀 발생하지 않아 예측된 구조의 역학적 안정성이 입증되었습니다.
  • 혼합 산화물 적용: $U_3AmO_8$ (Am 도핑된 $UO_2$) 과 같은 전위 원소 도핑 시스템에서 열전도도의 급격한 저하를 정량적으로 정확히 예측하여, 기존 1 차 원리 계산만으로는 어려웠던 복잡한 시스템의 열 수송 특성 평가가 가능함을 보였습니다.

4. 기여 및 의의 (Significance)

• 최대 원소 커버리지: 현재까지 개발된 MLIP 중 가장 넓은 97 개 원소를 커버하며, 특히 핵과학 분야에서 필수적이지만 데이터가 부족했던 소량 액티나이드 (Am, Cm, Cf 등) 를 체계적으로 포함했습니다.
• 핵연료 및 폐기물 처리 기술 가속화: 고엔트로피 세라믹, 소량 액티나이드 혼합 산화물 연료 (MA-MOX) 등 차세대 핵재료의 설계와 스크리닝을 위한 확장 가능한 계산 도구를 제공합니다.
• 데이터 및 모델 공개: 구축된 HE26 데이터셋과 MACE-Osaka26 모델을 오픈소스로 공개하여, 중원소 영역의 머신러닝 기반 재료 과학 연구의 재현성과 확장성을 높였습니다.
• 미래 전망: 이 연구는 중원소 영역에서의 계산 가속화를 위한 첫걸음이며, 향후 SOC(스핀 - 궤도 결합) 를 포함한 더 정교한 전자 구조 계산 데이터와 실험 데이터와의 교차 검증을 통해 모델의 신뢰성을 더욱 높일 수 있는 기반을 마련했습니다.

요약하자면, 이 논문은 데이터 부족과 계산 비용의 장벽으로 인해 접근하기 어려웠던 핵 관련 중원소 시스템에 대해, 고정확도의 범용 머신러닝 퍼텐셜을 개발하여 열물성 예측 및 신소재 설계에 혁신적인 도구를 제공했다는 점에서 의의가 큽니다.