Using graph neural networks to predict many-body interactions in amorphous materials

기술 요약: 비정질 재료의 다체 상호작용 예측을 위한 그래프 신경망 활용

문제 정의
다체 상호작용(many-body interactions)은 금속 유리에서 생체 조직에 이르기까지 비정질 재료의 거동을 이해하는 데 있어 근본적인 요소이다. 그러나 이러한 시스템의 계산 모델링은 역사적으로 고차 상호작용을 정확하게 해결하는 데 드는 막대한 비용으로 인해 쌍체 가산 포텐셜(pairwise-additive potentials)에 국한되어 왔다. 이러한 한계는 느린 역학 및 유리 상태의 거동을 지배하는 고차원적이고 험난한 퍼텐셜 에너지 지형(potential energy landscape, PEL)에 대한 완전한 특성화를 방해한다. 머신러닝 원자 간 포텐셜(MLIP)이 원자 상호작용을 모델링하는 데 유망함을 보여주었으나, 각도 의존적 상호작용이 지배적인 소프트 글래스(soft, many-body glassy systems)의 복잡한 PEL을 해결할 수 있는지에 대해서는 여전히 의문이 남아 있다. 더욱이, 기존의 MLIP는 소프트 글래스로 확장되지 않았으며, 고에너지의 비평형 훈련 데이터로부터 저에너지 평형 상태로 일반화할 수 있는지 여부도 불분명하다.

방법론
저자들은 등변 메시지 전달 그래프 신경망(equivariant message-passing graph neural network, GNN)인 NequIP를 용매가 없는 폴리머 그라프트 나노입자(PGN)로 구성된 모델 소프트 글래스에 적용하여 이 문제를 해결한다. 이 시스템에서는 용매의 부재로 인해 그라프트된 폴리머 사슬이 빈 공간을 균일하게 채워야 하며, 이는 쌍체 포텐셜로는 포착할 수 없는 강력하고 각도 의존적인 다체 상호작용을 생성한다.

워크플로우는 다음과 같이 세 가지 주요 단계로 구성된다:

1. 고전 DFT를 통한 데이터 생성: 저자들은 폴리머 매개 상호작용을 모델링하기 위해 고전 밀도 범함수 이론(classical DFT)을 활용한다. 하드 스피어 역학을 사용하여 5,000개의 상관관계가 없는 고에너지 비평형 PGN 구성을 샘플링한다. 각 구성에 대한 퍼텐셜 에너지는 폴리머를 빈 공간을 채우는 비압축성 유체로 취급하는 고전 DFT를 사용하여 계산된다. 이는 PEL의 고에너지 영역을 아우르는 데이터셋을 생성한다.
2. GNN 훈련: Nequip은 이 데이터셋을 통해 입자 좌표로부터 퍼텐셜 에너지로의 매핑을 학습한다. 이 네트워크는 병진, 회전 및 반사에 대해 등변(equivariant)인 텐서 표현을 사용하여 이방성 다체 효과를 포착할 수 있다. 저자들은 컷오프 반경($r_{cut}$), 메시지 전달 레이어 수($n_l$), 최대 각도 해상도($l_{max}$)를 포함한 하이퍼파라미터를 체계적으로 분석하여 물리적 상호작용 범위와 차수를 결정한다.
3. GNN 기반 몬테카를로(MC) 시뮬레이션: 훈련이 완료되면, GNN은 몬테카를로 시뮬레이션에서 고전 DFT를 대체한다. 이러한 가속화(4 orders of magnitude 더 빠름)를 통해 저자들은 PEL의 깊은 최솟값을 탐색할 수 있으며, 이를 통해 훈련 단계에서는 접근할 수 없었던 평형 구성을 도달할 수 있게 한다.

주요 기여 및 결과

• 정확한 PEL 학습: 훈련된 NequIP 모델은 다양한 설계 파라미터(그라프팅 밀도, 코어 부피 분율, 폴리머 분자량)에 대해 약 0.01 $\sigma_E$(에너지 표준 편차)의 평균 절대 오차(MAE)로 고전 DFT 에너지를 재현한다. 이는 입자당 오차가 열 에너지 규모($k_B T$)보다 훨씬 낮은 수준임을 의미한다.
• 상호작용 범위 및 차수에 대한 물리적 통찰: 하이퍼파라미터의 체계적 분석은 정확한 예측을 위해 큰 컷오프 반경($r_{cut}/d \approx 6$)이 필요함을 보여주며, 이는 유효 상호작용이 장거리 쌍 힘보다는 다체 상관관계로 인해 인접 이웃을 훨씬 넘어 확장됨을 나타낸다. 또한, 메시지 전달 레이어($n_l$) 수에 따른 오차 수렴은 용매 시스템에서는 3체 상호작용만으로 충분한 것과 대조적으로, 용매가 없는 PGN의 에너지 예측에는 4체 상관관계가 필수적임을 시사한다. 등변 표현($l_{max} \ge 1$)의 필요성은 상호작용의 높은 방향성을 확인시켜 준다.
• 분포 외(Out-of-Distribution) 일반화: 주목할 만한 결과는 네트워크가 오직 고에너지 비평형 구성으로만 훈련되었음에도 불구하고 평형 구조를 예측할 수 있다는 점이다. GNN 기반 MC 시뮬레이션은 실험적 측정값(예: SAXS의 최근접 이웃 거리) 및 고전 DFT 예측과 일치하는 평형 구조를 회복한다. 평형 에너지 분포는 훈련 분포를 크게 벗어나 있음에도 불구하고 GNN은 DFT 수준의 정확도를 유지하며, 이는 강력한 일반화 능력을 입증한다.
• 국부적 질서 발견: 평형 구조 분석 결과, 결정 유사 질서는 부재하지만 국부적으로 선호되는 이코사헤드랄(icosahedral) 유사 구조가 존재함을 발견했다. 이러한 구조는 그라프트된 폴리머의 자유 에너지를 최소화하는 특정 보로노이 부피(도데카헤드랄 형태)와 강하게 상관되어 있다. 이러한 국부적 질서는 평형 상태에서만 관찰되며 비평형 훈련 데이터에서는 나타나지 않는다.
• 하이퍼유니포미티(Hyperuniformity): 평형 구조는 억제된 장거리 밀도 변동(하이퍼유니포미티)을 나타내는데, 이는 용매가 없는 PGN의 실험적 관찰과 일치하는 특징이며, 비평형 하드 스피어 샘플링 구성에서는 나타나지 않는 특징이다.

의의
본 논문은 등변 GNN이 다체 상호작용이 지배하는 소프트 글래스 시스템의 고차원적이고 험난한 퍼텐셜 에너지 지형을 성공적으로 학습할 수 있음을 보여준다. 계산적으로 접근 가능한 고에너지 데이터를 통해 훈련함으로써, 모델은 고전 DFT를 통해서는 얻기 어려운 평형 특성과 구조를 예측할 수 있다. 이 연구는 다체 효과가 무시할 수 없는 수준인 비정질 재료를 연구하기 위한 실용적인 워크플로우를 확립하며, 역설계(inverse design)와 유리 시스템의 구조-역학 관계에 대한 더 깊은 이해를 향한 경로를 제시한다. 이러한 발견은 평형 상태와 비평형 상태 사이에 공유되는 숨겨진 구조적 특징이 ML 모델에 의해 추출될 수 있음을 시사하며, 잠재적으로 새로운 물리 기반 질서 파라미터(order parameters)의 개발을 촉발할 수 있다.