A wrong ground-state structure of HfO$_2$ predicted by machine-learning interatomic potentials based on the PBE functional

이 논문은 PBE 기반의 DFT 데이터로 학습된 머신러닝 원자 간 포텐셜이 저밀도 상을 과하게 안정화하는 기능적(functional)의 경향성 때문에 HfO$_2$의 바닥 상태 구조를 잘못 예측한다고 경고하며, 이러한 결함은 PBEsol이나 LDA와 같은 대안적인 기능적을 사용함으로써 완화될 수 있다고 밝히고 있다.

핵심

당신이 등산객들이 가장 낮은 골짜기(즉, "바닥 상태")를 찾을 수 있도록 산악 지역의 완벽한 지도를 만들려고 한다고 상상해 보십시오. 재료 과학의 세계에서 이 골짜기는 하프늄 산화물(HfO₂)과 같은 재료가 취하고자 하는 가장 안정적이고 자연스러운 형태를 나타냅니다.

오랫동안 과학자들은 **머신러닝 원자 간 포텐셜(MLIP)**이라는 강력한 도구를 사용해 왔습니다. MLIP는 일종의 매우 똑똑한 GPS 시스템이라고 생각하면 됩니다. 이 시스템은 밀도 범함수 이론(DFT)이라는 "선생님"으로부터 데이터를 학습하여 훈련됩니다. 이 GPS 시스템을 훈련하는 데 사용되는 가장 인기 있는 "교과서"는 PBE 범함수라고 불리는 특정 규칙 세트입니다.

이 논문이 발견한 이야기는 다음과 같습니다.

1. GPS가 지도를 잘못 그렸다

연구진은 이 GPS 시스템(PBE 데이터로 훈련된 MLIP)에게 HfO₂의 가장 낮은 골짜기를 찾아보라고 요청했습니다.

• GPS의 답변: "가장 낮은 골짜기는 I4₁/amd라고 불리는 곳입니다. 이곳은 원자들이 특정한 팔면체 패턴(여섯 면을 가진 상자와 같은 형태)으로 배열된 저밀도의 넓은 구조입니다."
• 현실의 답변: "아니요, 실제 가장 낮은 골짜기는 단사정계 P2₁/c 구조입니다. 이것이 실제 실험 세계에서 명확하게 보여주는 결과입니다."

GPS는 자신 있게도 틀린 목적지를 가리키고 있었습니다. GPS는 이 "넓은" I4₁/amd 구조가 실제 승자인 P2₁/c보다 17 유닛만큼 더 안정적이라고 주장했습니다.

2. GPS가 고장 난 것인가, 아니면 선생님이 거짓말을 하는 것인가?

연구진은 의문을 가졌습니다. 우리가 GPS를 잘못 만든 것일까요, 아니면 선생님(PBE)이 나쁜 숙제를 내준 것일까요?

그들은 이를 확인하기 위해 다음을 테스트했습니다:

• 다른 유명한 기성 GPS 모델들(NequIP 및 MatterSim 등)을 점검했습니다. 결과: 그 모델들 모두 동일하게 잘못된 "I4₁/amd" 골짜기를 가리켰습니다.
• GPS의 예측을 선생님의 원시 데이터와 직접 비교했습니다. 결과: GPS는 실제로 자신의 임무를 완벽하게 수행하고 있었습니다. 단지 선생님의 실수를 충실히 복사하고 있었을 뿐입니다.

결론: GPS는 고장 난 것이 아니었습니다. PBE 선생님이 문제였습니다.

3. "헐렁한 옷" 비유

왜 PBE 선생님은 이런 실수를 했을까요?
PBE 범함수가 헐렁하고 벙벙한 옷을 좋아하는 재단사라고 상상해 보십시오.

• "I4₁/amd"와 "Pbcn" 구조는 헐렁하고 넓은 옷(저밀도, 큰 부피)과 같습니다.
• "P2₁/c" 구조는 더 딱 맞고 컴팩트한 옷과 같습니다.

PBE 재단사는 편향을 가지고 있습니다. 그는 실제보다 헐렁하고 넓은 옷이 더 편안하다(에너지가 낮다)고 생각합니다. 이러한 편향 때문에, PBE 선생님은 GPS에게 실제로는 더 꽉 끼는 "P2₁/c" 옷을 선호함에도 불구하고, 넓은 "I4₁/amd" 옷이 가장 좋다고 가르쳤습니다.

연구진이 더 꽉 끼고 컴팩트한 핏을 선호하는 다른 "재단사들"(PBEsol 또는 LDA와 같은 범함수)을 시도했을 때, 지도는 스스로 교정되었습니다. 갑자기 "I4₁/amd" 옷은 너무 헐렁하고 값비싼 것처럼 보였고, "P2₁/c" 구조가 다시 진정한 챔피언의 자리를 되찾았습니다.

4. 등산객의 여정 (강유전성 스위칭)

이 논문은 또한 HfO₂가 모양을 바꿀 때(마치 등산객이 경로를 바꾸는 것처럼) 어떤 일이 일어나는지도 살펴보았습니다.

• 시나리오 A (고정 격자): 만약 등산객이 경직된 경로(지도의 크기가 변하지 않는 상태)에 머물도록 강제한다면, "헐렁한" PBE 선생님과 "타이트한" PBEsol 선생님 모두 비슷한 방향을 제시합니다.
• 시나리오 B (이완 격자): 만약 등산객이 경로의 크기를 바꿀 수 있게 허용한다면(지도가 확장되거나 수축할 수 있다면), 두 선생님은 완전히 다른 방향을 제시합니다.
  • **PBE 선생님(헐렁한 편향)**은 이렇게 말합니다: "넓고 여유로운 Pbcn 골짜기를 통과하는 경로를 택하세요. 그곳이 더 쉽고 넉넉해 보이니까요."
  • **PBEsol 선생님(컴팩트한 편향)**은 이렇게 말합니다: "아니요, 그 경로는 너무 넓고 불안정합니다. 더 좁고 직접적인 경로를 택하세요."

PBE 선생님은 "넓은" 경로가 얼마나 편안한지를 과대평가하기 때문에, 실제 세계에서 일어날 일과는 완전히 다른 길로 시뮬레이션을 이끌게 됩니다.

핵심 교훈

이 논문의 주요 교훈은 이러한 첨단 GPS 시스템(MLIP)을 사용하는 모든 이들에게 주는 경고입니다:

머신러닝 모델이 훈련 데이터를 매우 정확하게 복사한다고 해서, 그것이 반드시 진실을 말하고 있다는 뜻은 아닙니다. 만약 "선생님"(DFT 범함수)에게 내재된 편향(예: 헐렁한 옷을 좋아하는 성향)이 있다면, 학생(MLIP)은 그 편향을 완벽하고 자신 있게 학습하여 틀린 답을 예측하게 될 것입니다.

재료 세계의 신뢰할 수 있는 지도를 얻으려면, 단순히 머신러닝 모델을 믿는 것만으로는 부족합니다. 그 모델이 배운 선생님이 올바른 규칙을 사용하고 있는지 반드시 확인해야 합니다.

기술 요약

기술 요약: PBE 범함수에 기반한 머신러닝 원자간 포텐셜이 예측한 HfO₂의 잘못된 바닥 상태 구조

문제 제기
머신러닝 원자간 포텐셜(MLIP)은 밀도 범함수 이론(DFT)의 계산 비용에 비해 근사적인 제1원리 정확도를 제공하며 대규모 재료 시뮬레이션의 필수적인 도구가 되었다. 그러나 MLIP의 예측 신뢰성은 본질적으로 훈련 데이터셋의 품질에 달려 있으며, 이 데이터셋은 주로 Perdew–Burke–Ernzerhof (PBE) 일반화 구배 근사(GGA) 범함수를 사용하여 생성된다. PBE는 효율성과 안정성 덕분에 널리 채택되고 있지만, 하프늄 산화물(HfO₂)과 같은 복잡한 시스템에서 경쟁하는 다형체 간의 미세한 에너지 차이를 정확하게 설명할 수 있는지 여부는 여전히 중요한 문제이다. HfO₂는 강한 다형성 경쟁(단사정계, 사방정계, 정방정계 상을 포함)을 보이며 외부 전기장 및 변형에 매우 민감하다. 본 연구에서 다루는 핵심 문제는 PBE 기반 MLIP가 HfO₂의 올바른 바닥 상태 구조와 에너지 지형을 신뢰성 있게 포착할 수 있는지, 아니면 PBE 범함수의 내재적 오류가 머신러닝 모델에 의해 전파되고 증폭되는지를 규명하는 것이다.

방법론
저자들은 HfO₂에 대한 PBE 기반 모델의 신뢰성을 조사하기 위해 다각적인 접근 방식을 채택하였다:

1. MLIP 훈련 및 전역 탐색: Allegro 아키텍처를 기반으로 한 특정 MLIP를 PBE 범함수(VASP)를 사용한 제일원리 분자 동역학(AIMD) 데이터셋을 통해 훈련시켰다. 이 포텐셜은 CALYPSO 소프트웨어를 이용한 전역 구조 탐색에 사용되어 가장 낮은 에너지를 갖는 구조를 식о identify하였다.
2. 파운데이션 모델과의 벤치마킹: 발견된 결과가 특정 커스텀 모델에 국한된 것인지 확인하기 위해, 저자들은 NequIP-OAM-L, MatterSim-v1-5M, MACE-MP-0를 포함하여 널리 사용되는 여러 사전 훈련된 PBE 기반 파운데이션 모델을 사용하여 구조 탐색을 수행하였다.
3. 범함수 비교: 다양한 HfO₂ 결정 구조(단사정계 $P2_1/c$, 정방정계 $P4_2/nmc$, 사방정계 $Pca2_1$, 그리고 새로 식별된 $I4_1/amd$ 상 포함)의 상대적 에너지를 PBE, PBE-vdW, SCAN, PBEsol, 그리고 국소 밀도 근사(LDA) 범위의 교환-상관 범함수를 사용하여 계산하였다.
4. 분극 전환 분석: 기능적 편향이 동적 과정에 미치는 영향을 평가하기 위해, 저자들은 PBE와 PBEsol을 모두 사용하여 강유전성 사방정계 HfO₂($Pca2_1$)의 분극 전환 경로를 계산하였다. 이 계산은 Nudged Elastic Band(NEB) 및 Generalized Solid-State NEB(GSSNEB) 방법을 사용하여 고정 격자 및 격자 완화 조건 하에서 수행되었다.

주요 결과

• 잘못된 바닥 상태의 식별: 커스텀 훈련된 PBE 기반 MLIP와 여러 공개 파운데이션 모델(NequIP-OAM-L, MatterSim-v1-5M) 모두 HfO₂의 전역 최솟값으로 낮은 에너지의 $I4_1/amd$ 구조를 잘못 예측하였다. Rutile TiO₂와 유사하며 6배속 Hf–O 팔면체 단위를 특징으로 하는 이 구조는 실험적으로 검증된 단사정계 $P2_1/c$ 바닥 상태보다 약 17 meV/f.u. 더 낮은 에너지로 나타났다.
• 오류의 기원: 비교 DFT 계산을 통해 MLIP가 PBE-DFT 결과를 충실히 재현함을 확인하였으며, 이는 해당 오류가 머신러닝 피팅 아티팩트가 아니라 PBE 범함수 자체의 내재적 결함임을 입증한다. $I4_1/amd$ 상은 오직 PBE 범함수 하에서만 가장 낮은 에너지 구조로 나타났다. PBE-vdW, SCAN, PBEsol, LDA와 같은 다른 범함수를 사용했을 때, $I4_1/amd$ 상은 유의미하게 덜 안정해졌으며, 결국 LDA 하에서는 가장 높은 에너지 상이 되었다.
• 구조적 민감도: 오류는 낮은 밀도의 구조와 큰 평형 부피 및 특정 배위 환경(6배속 Hf, 3배속 O)을 과도하게 안정화하는 PBE의 경향성에서 기인했다. PBEsol 및 LDA와 같이 더 조밀한 구조를 선호하는 범함수들은 이러한 저밀도 구성을 불리하게 만든다.
• 분극 전환에 미치는 영향: 격자 완화가 허용될 때, 범함수 편향은 분극 전환을 위한 에너지 지형을 유의미하게 변화시켰다. 고정 격자 조건에서는 PBE와 PBEsol이 유사한 장벽을 나타냈다. 그러나 격자 완화가 포함된 경우, PBE는 더 낮은 장벽을 가진 뚜렷한 $Pbcn$ 유사 중간 상태를 예측한 반면, PBEsol은 전통적인 정방정계 유사 전이 상태를 유지했다. 이는 PBE의 에너지 지형이 $Pbcn$ 상을 경쟁력 있는 저에너지 베이슨(basin)으로 만드는 반면, PBEsol은 이를 훨씬 높은 에너지로 배치하기 때문에 발생했다.

주요 기여

• 체계적인 MLIP 실패의 발견: 본 연구는 HfO₂에 대해 공통적으로 나타나는, 이전에 보고되지 않은 가짜 바닥 상태 예측($I4_1/amd$)을 밝혀냈다.
• 교환-상관 범함수로의 귀인: 본 연구는 ML-IP의 결정 구조 예측 오류가 머신러닝 아키텍처나 피팅 과정이 아니라, 훈련 데이터를 생성하는 데 사용된 교환-상관 범함수에서 직접적으로 기인할 수 있음을 결정적으로 입증하였다.
• 범함수 의존적 에너지 지형: 본 연구는 범함수의 선택이 특히 상전이 및 강유전성 전환과 같이 큰 격자 완화를 수반하는 과정에서 퍼텐셜 에너지 표면의 위상(topology)을 근본적으로 변화시킨다는 점을 강조한다.
• 대체 범함수의 검증: 본 연구는 PBEsol 및 LDA와 같은 대체 범함수를 사용함으로써 오류를 크게 억제할 수 있으며, 이들이 단사정계 $P2_1/c$ 구조를 바닥 상태로 올바르게 예측한다는 것을 보여준다.

의의 및 주장
저자들은 이 연구를 재료 모델링 커뮤니티에 대한 중대한 경고로 규정한다. 그들은 MLIP가 강력하긴 하지만, 참조 DFT 데이터를 재현하는 능력만으로 그 신뢰성을 판단해서는 안 된다고 주장한다. 만약 기초가 되는 DFT 범함수가 체계적인 편향(예: 특정 배위 환경에 대한 PBE의 부피 과대 산정)을 가지고 있다면, MLIP는 이러한 오류를 충실히 재현하여 물리적으로 틀린 바닥 상태 및 상전이 경로를 예측하게 될 것이다. 본 논문은 특히 복잡한 다형성 경쟁과 격자 완화가 있는 시스템을 시뮬레이션할 때, 훈련에 사용된 교환-상관 범함수의 물리적 타당성을 신중하게 평가해야 할 필요성을 강조한다. 이러한 결과는 HfO₂ 및 유사 시스템의 경우, 범함수 검증 없이 PBE 기반 파운데이션 모델에 의존하는 것이 구조적 안정성 및 전환 메커니즘에 관한 오해의 소지가 있는 결론을 초래할 수 있음을 시사한다.