Learning Lattice Parameters from Powder X-Ray Diffraction Data Using Invariants

당신은 미스터리를 풀기 위해 노력하는 탐정이라고 상상해 보세요. 하지만 당신의 단서는 지문이 아니라 보이지 않는 빛의 패턴입니다. 이것이 바로 재료 과학, 구체적으로는 결정학(crystallography)이라 불리는 분야의 세계입니다. 과학자들은 원자들이 완벽하게 반복되는 3차원 격자 구조를 이루고 있는 물질인 결정(crystals)을 연구합니다. 마치 거대한 미세 레고 구조물과 같습니다. 결정이 무엇으로 구성되어 있는지 알아내기 위해, 그들은 X선(X-rays)을 쏘아 올립니다. X선은 원자들에 부딪혀 튕겨 나가며 검출기에 고유한 "지문" 형태의 피크와 골짜기를 만들어냅니다. 이를 분말 X선 회절(Powder X-Ray Diffraction, XRD)이라고 합니다.

문제는 그 지문을 해독하는 것입니다. 과학자들은 결정의 가장 작은 반복 단위인 "단위 격자(unit cell)"를 측정해야 합니다. 이것은 전체 성의 그림자만 보고 단일 레고 브릭의 크기와 모양을 찾아내는 것과 같습니다. 전통적으로 그들은 이 브릭을 설명하기 위해 여섯 가지 숫자(세 개의 길이와 세 개의 각도)를 측정합니다. 하지만 여기에는 함정이 있습니다. 자연은 까다롭습니다. 결정을 어떤 방식으로 자르느냐에 따라, 결정 자체가 크게 변하지 않았음에도 불구하고 그 여섯 가지 숫자는 급격하게 변할 수 있습니다. 이는 사각형을 그 모서리들을 통해 설명하려는 것과 같습니다. 사각형을 약간만 회전시켜도 모서리의 좌표는 완전히 바뀌어 버리므로, 컴퓨터가 패턴을 학습하기 어렵게 만듭니다. 이 논문은 우리가 어떤 방식으로 바라보느냐에 따라 혼란을 겪지 않는, 결정을 기술하는 새로운 방식을 사용하여 이 특정한 골칫거리를 해결합니다.

---

"표준적" 기술 방식의 문제점

이 연구에서 MIT와 로런스 버클리 국립연구소의 연구진은 컴퓨터가 XRD 데이터를 읽는 방식에서 발생하는 주요 결함을 발견했습니다. 오랫동안 머신러닝 모델은 결정의 단위 격자의 여섯 가지 표준 숫자(길이와 각도)를 X선 패턴으로부터 직접 예측하려고 시도해 왔습니다. 문제는 이 숫자들이 "불연속적(discontinuous)"이라는 점입니다. 완벽한 정육면체가 있다고 상상해 보세요. 만약 그것을 아주 조금만 찌그러뜨리면, 약간 왜곡된 상자가 됩니다. 하지만 결정학의 엄격한 규칙에 따르면, 그 미세한 찌그러짐 때문에 컴퓨터는 갑자기 설명을 '정육면체'에서 완전히 다른 유형의 상자로 전환해야 할 수도 있습니다. 이는 마치 사각형을 아주 살짝 움직였을 뿐인데, 규칙이 바뀌었다는 이유로 컴퓨터가 갑자기 그것을 삼각형이라고 결정해 버리는 것과 같습니다.

이는 AI에게 "거친" 학습 경관(learning landscape)을 만들어냅니다. 물리적 대상은 매끄럽게 변하고 있음에도 불구하고, 목표값이 계속 요동치기 때문에 컴퓨터는 혼란에 빠집니다. 저자들은 이러한 여섯 숫자를 직접 예측하려는 시도가, 도로가 휘어져 있다는 사실을 무시한 채 핸들의 각도만 보고 운전을 배우려는 것과 같다고 주장합니다.

매끄럽고 불변하는 해결책: "바이스펙트럼(Bispectrum)"

이를 해결하기 위해 연구진은 **격자 바이스펙트럼(lattice bispectrum)**이라 불리는 새로운 결정 기술 방식을 발명했습니다. 결정을 그 여섯 가지 지저분한 숫자로 설명하는 대신, "주파수 세계에서의 형상(reciprocal space)"으로 설명하는 것입니다.

결정을 상자가 아니라 하나의 음악적 화음(chord)이라고 생각해 보세요. 표준적인 방법은 곡을 연주할 때마다 바뀌는 모든 음의 정확한 음높이를 나열하여 화음을 이름 붙이려 합니다. 반면 바이스펙트럼은 음들 사이의 관계에 귀를 기울입니다. "이 음들이 어떻게 조화를 이루는가?"라고 묻는 것입니다. 이 기술 방식은 결정을 회전시키거나 어떤 특정 "조(key/convention)"를 사용하여 설명하더라도 동일하게 유지됩니다. 즉, 기존 방식들을 곤혹스럽게 만들었던 규칙 변화로부터 자유로운 "불변성(invariant)"을 가집니다.

연구진은 구형 조화 함수(spherical harmonics)라는 수학적 도구를 사용하여 이 기술 방식을 구축했습니다. 이는 결정을 지구본으로 감싸고 그 구체 위에 원자들이 어떻게 분포되어 있는지 측정하는 것과 같습니다. 이 측정값들을 특정 방식으로 결합함으로써, 결정의 기하학적 구조를 나타내는 매끄럽고 연속적인 지도를 만들어냈습니다. 결정을 약간 흔들더라도 이 지도는 매끄럽게 움직이므로, 머신러닝 모델이 학습하기 훨씬 쉬운 목표가 됩니다.

AI 탐정: 트랜스포머(Transformers)와 역전(Inversion)

연구진은 X선 패턴을 읽고 이 새로운 "바이스펙트럼" 지도를 예측하도록 **트랜스포머(Transformer)**라는 강력한 유형의 AI(많은 현대적 챗봇의 기반이 되는 기술)를 훈련시켰습니다. 일단 AI가 지도를 예측하면, 연구진은 **동적 계획법(dynamic programming)**이라는 영리한 수학적 기법을 사용하여 이를 "역전(invert)"합니다. 즉, 매끄러운 지도로부터 실제 결정의 여섯 가지 숫자(길이와 각도)를 역으로 계산해 내는 것입니다.

이는 AI가 먼저 결정의 그림자에 대한 완벽하고 매끄러운 스케치를 그린 다음, 별도의 도구가 그 스케치를 측정하여 정확한 치수를 얻어내는 것과 같습니다. 이 2단계 과정은 차원을 직접 측정할 때 발생하는 급격한 도약(jagged jumps)을 피하게 해줍니다.

결과: 더 매끄럽고 똑똑한 예측

연구팀은 Materials Project 데이터베이스에서 가져온 수천 개의 시뮬레이션 결정들을 대상으로 이 방법을 테스트했습니다. 결과는 엄청난 개선을 보여주었습니다. 결정의 길이를 직접 예측하려 했을 때 컴퓨터는 **11.18%**의 확률로 실수를 범했습니다. 그러나 새로운 바이스펙트럼 방식을 사용했을 때, 오차는 단 **2.44%**로 떨어졌습니다. 각도의 경우, 오차는 **12.74%**에서 **3.07%**로 감소했습니다.

이것은 단순한 미세 조정이 아니라 게임 체인저였습니다. 특히 "저대칭(low-symmetry)" 결정(설명하기 가장 어려운 왜곡된 형태들)에서 더욱 그러했습니다. 기존 방식들은 이러한 결정에서 종종 터무니없는 예측을 하며 고전했지만, 바이스펙트럼 방식은 정확도를 유지했습니다.

그들은 또한 RRUFF 데이터베이스의 실제 실험 데이터에 대해서도 모델을 테스트했습니다. 실제 데이터는 시뮬레이션보다 훨씬 지저분하지만, 그들의 방식은 결정 구조 전체를 한꺼번에 예측하려는 다른 복잡한 모델들만큼 혹은 그보다 더 우수한 성능을 보였습니다. 연구진은 자신들의 접근 방식이 "우세 영역(dominant zone)" 구조, 즉 X선 패턴이 특정 방향에서 매우 평탄하고 정보가 없는 결정을 다루는 데 특히 뛰어나다는 것을 발견했습니다. 이러한 까다로운 사례에서, 직접 예측 방식은 성공률이 **5.0%**에 불나타한 반면, 그들의 방법은 **70.7%**의 확률로 정답(길이와 각도 오차가 모두 5% 미만인 경우)을 맞혔습니다.

이것이 의미하는 바

이 논문은 결정학의 모든 문제를 해결했다고 주장하는 것이 아닙니다. 저자들은 실제 데이터가 여전히 시뮬레이션보다 어렵다는 점과, "가공의 데이터"와 "실제 데이터" 사이의 간극이 여전히 과제로 남아 있음을 인정합니다. 그러나 그들은 문제를 기술하는 방식을 바꾸는 것만으로도 컴퓨터를 훨씬 더 똑똑하게 만들 수 있다는 것을 입증했습니다.

지그재그 형태의 규칙 기반 기술에서 매끄럽고 불변하는 기술로 전환함으로써, 그들은 머신러닝이 결정의 물리학을 훨씬 더 잘 학습할 수 있음을 보여주었습니다. 이는 미래에 AI가 새로운 재료를 발견하려는 과학자들에게 훨씬 더 신뢰할 수 있는 파트너가 되어, X선 그림자만 보고도 결정이 정확히 무엇으로 구성되어 있는지 파악하는 데 도움을 줄 수 있음을 시사합니다. 핵심적인 교훈은 간단합니다. 때로는 결정의 형상을 명확히 보기 위해서, 숫자를 보는 것을 멈추고 음악에 귀를 기울여야 한다는 것입니다.