Extracting Atomic Environments for Machine Learning Interatomic Potentials

거대한 도시의 교통 체증 속에서 도시가 어떻게 움직이는지 이해하려고 한다고 상상해 보십시오. 이를 위해 당신은 도시 전체의 정교하고 거대한 모델을 만들 수도 있을 것입니다. 하지만 여기 함정이 있습니다. 모든 자동차, 보행자, 가로등의 물리학을 계산하기 위해 사용하는 슈퍼컴퓨터는 매우 강력하지만, 한 번에 아주 작은 동네 하나만을 처리할 수 있다는 점입니다. 만약 도시 전체를 시뮬레이션하려고 하면 컴퓨터가 다운됩니다. 그래서 과학자들은 영리한 해결책을 사용합니다. 흥미로운 작은 동네(예: 번잡한 교차로)로 줌인하여 그 조각만을 연구하는 것입니다.

문제는 동네가 진공 상태에서 존재하지 않는다는 점입니다. 동네는 나머지 도시와 연결되어 있습니다. 만약 당신이 그냥 정사각형 블록 하나를 잘라내어 시험관에 넣는다면, 그 가장자리는 이상해 보일 것입니다. 가장자리에 있는 자동차는 보이지 않는 벽에 부딪힐 수도 있고, 보행자는 허공으로 사라져 버릴 수도 있습니다. 이를 해결하기 위해 과학자들은 "주기적 경계 조건(periodic boundary conditions)"이라는 기술을 사용하는데, 이는 마치 동네를 마법의 거품으로 감싸서 앞문으로 걸어나가면 즉시 뒷문으로 다시 나타나게 만드는 것과 같습니다. 이 방식은 작은 조각이 거대하고 끝없는 도시의 일부처럼 느껴지게 만듭니다. 하지만 이 동네를 어떻게 잘라내고, 물리 법칙을 깨뜨리지 않으면서 어떻게 거품으로 감쌀지 결정하는 것은 놀라울 정도로 까다로운 일입니다. 만약 자르고 감싸는 과정을 잘못하면, 당신의 작은 모델은 겉보기에는 동네처럼 보일지 몰라도 그 안의 자동차들은 화성에서 달리는 것처럼 움직일 것입니다. 이 논문은 과학자들이 행성 크기의 슈퍼컴퓨터를 필요로 하지 않고도 거대한 재료를 연구할 수 있도록, 이 작은 원자 단위의 동네를 가장 잘 자르고 감싸는 방법을 찾는 것에 관한 것입니다.

원자의 가위: 미시 세계를 자르고 감싸기

재료 과학의 세계에서 연구자들은 강철, 유리, 심지어 용융된 탄소와 같은 재료가 실제 세상에서 어떻게 작동할지 예측하기 위해 원자들이 어떻게 행동하는지를 이해하는 데 집착합니다. 이를 위해 그들은 "밀도 범함수 이론(Density Functional Theory, DFT)"이라는 첨단 현미경을 사용합니다. DFT를 재료의 모든 원자가 이웃 원자를 어떻게 밀고 당기는지를 정확하게 알려주는 초정밀 계산기라고 생각하십시오. 문제는 무엇일까요? 이 계산기는 전력을 너무 많이 소모해서 한 번에 수백 개 또는 수천 개의 원자만을 계산할 수 있다는 점입니다. 하지만 실제 세상은 거대합니다. 때때로 다리에 균열이 생기거나 금속을 통과하는 나선 결함(screw dislocation, 결정 내의 작은 뒤틀림)과 같은 멋진 현상을 관찰하려면 수백만 개의 원자를 시뮬레이션해야 합니다.

그래서 과학자들은 속임수를 씁니다. 수백만 개의 원자가 있는 거대한 시뮬레이션을 가져와서, 흥미로운 지점을 골라 DFT 계산기를 돌리기 위해 작은 상자로 "추출"하려고 시도합니다. 하지만 이것은 붐비는 경기장에 있는 특정 인물을 찍은 사진을 가져와서 빈 흰색 배경 위에 붙여넣으려는 것과 같습니다. 만약 단순히 그 사람을 잘라낸다면 가장자리가 가짜처럼 보일 것입니다. 만약 그들을 반복되는 패턴으로 감싸려고 한다면(예를 들어 왼쪽 가장의 사람이 오른쪽 가장의 사람과 같도록 만든다면), 실수로 그 사람의 머리를 자신의 어깨 속으로 박아 넣게 될 수도 있습니다.

Lawrence Livermore National Laboratory의 연구팀인 이 논문의 저자들은 여섯 가지 다른 "절단 및 포장" 기술을 테스트하기로 했습니다. 그들은 어떤 방법이 거대한 재료에서 작은 조각을 가져와 작은 상자에 넣었을 때, 그 안의 원자들이 원래의 거대한 환경에서 느꼈던 것과 똑같이 느끼게 할 수 있는지 확인하고자 했습니다. 그들은 세 가지 매우 다른 재료로 이를 테스트했습니다: 유리질의 모래(무정형 SiO₂), 뒤틀린 결함이 있는 금속(탄탈룸의 나선 결함), 그리고 뜨겁게 녹은 탄소(용융 탄소)입니다.

도전자들: 케이크를 자르는 여섯 가지 방법

연구팀은 이 원자 동네를 추출하기 위해 여섯 가지 서로 다른 레시피를 시도했습니다:

1. 구형 추출 (Spherical Extract): 그들은 원자들로 이루어진 완벽한 공 모양을 잘라내어 주변에 빈 공간(진공)이 있는 상자에 넣었습니다. 이는 상자 안에 눈덩이를 넣어둔 것과 같습니다. 주변의 공기는 그저 비어 있는 상태입니다.
2. 생성형 (Generative): 그들은 눈덩이를 가져온 뒤, 정교한 AI("확산 모델", diffusion model)를 사용하여 빈 공간을 채울 새로운 원자들을 만들어냄으로써 상자 전체가 연속적인 도시처럼 보이도록 만들었습니다.
3. 입방체 추출 (Cubic Extract): 그들은 거대 시뮬레이션에서 완벽한 입방체 형태의 원자들을 잘라내어 상자에 그대로 집어넣었습니다. 그들은 상자가 돌아갈 때 가장자리의 원자들이 서로 충돌하는지 여부는 신경 쓰지 않았습니다.
4. 삭제 (Deletions): 그들은 "입방체 추출"로 만든 입방체에서 시작하여, "두더지 잡기" 게임을 했습니다. 어떤 원자들이 보이지 않는 경계를 가로질러 서로 충돌하고 있는지 확인한 뒤, 충돌이 멈출 때까지 문제를 일으키는 원자들을 단순히 삭제했습니다.
5. 삭제 + 완화 (Deletions + Relax): "삭제" 게임을 수행한 후, 남은 원자들이 흔들린 탄산음 被가 가라앉기를 기다리는 것처럼 편안한 위치로 움직여 자리 잡도록 두었습니다.
6. 어닐링 (Anneal): 그들은 입방체를 가져와 가장자리 주변에 작은 틈을 남겨둔 채, 온도를 4000K(용암보다 뜨거운!)까지 높여 뜨겁게 달구고, 흔들어준 뒤, 천천히 식히며 형태가 예쁘게 잡히는지 확인했습니다.

결과: 단순한 승자

연구팀은 이 모든 작은 상자들에 대해 초정밀 DFT 계산기를 실행하고, 원자에 가해지는 힘(밀고 당기는 힘)을 원래의 거대한 시뮬레이션과 비교했습니다. 그들은 작은 상자가 거대한 원래의 모델과 똑같이 느껴지게 만드는 방법이 무엇인지 찾고 있었습니다.

결과는 다소 놀라웠습니다. AI를 사용한 "생성형" 접근법이나 고온을 이용한 "어닐링" 방법 같은 화려한 방법들이 승리하지 못했습니다. 사실, "어닐링" 방법은 냉각 과정이 너무 공격적이어서 금속에 작은 구멍(기공)을 만들었고, AI는 때때로 동네의 스타일과 맞지 않는 원자들을 추가하기도 했습니다.

승자는 삭제(Deletations) 방법이었습니다. 이것은 가장 단순한 접근법이었습니다. 그냥 입방체를 자르고, 감싸고, 서로 충돌하는 원자들을 삭제하는 것이었습니다. 이 "투박하고 빠른" 방법이 복잡하고 하이테크적인 대안들보다 원자의 국부적인 환경을 더 잘 보존한다는 것이 밝혀졌습니다. "삭제" 상자 안의 원자들에 가해지는 힘은 원래의 거대한 시뮬레이션과 거의 완벽하게 일치했으며, 평균 오차는 단 0.08 eV/Å였습니다. 반면 "어닐링" 방법의 오차는 0.23 eV/Å로 훨씬 높았습니다.

심지어 아무것도 삭제하지 않고 원자들이 서로 충돌하게 둔 "입방체 추출" 방법조차 힘의 측면에서는 괜찮은 성적을 냈지만, 치명적인 결함이 있었습니다. 충돌하는 원자들이 비현식적인 에너지 스파이크를 만들어낸 것입니다. 이는 마치 모델 안에 자동차 사고가 난 것과 같습니다. 사고의 물리 법칙 자체는 실제일지 모르나, 나머지 교통 흐름에 대한 시뮬레이션을 망쳐버립니다. "삭제" 방법은 값비싼 시뮬레이션을 실행하거나 복잡한 AI 모델을 훈련할 필요 없이 이러한 충돌을 피할 수 있었습니다.

이것이 왜 중요한가

저자들은 이 단순한 "삭제" 기술이 기계 학습 원자간 포텐셜(Machine Learning Interatomic Potentials, MLIPs)을 구축하는 데 있어 게임 체인저가 될 것이라고 제안합니다. MLIP는 매번 비싼 DFT 계산을 실행하지 않고도 재료의 행동을 예측하도록 과학자들이 훈련시키는 "스마트한" 모델입니다. 이 스마트한 모델을 훈련시키려면 원자들이 어떻게 행동하는지에 대한 많은 사례가 필요합니다. "삭제" 방법을 사용함으로써, 과학자들은 거대한 시뮬레이션으로부터 작고 정확한 스냅샷을 포착하여 AI에게 전달할 수 있고, 이를 통해 AI를 더 똑똑하고 신뢰할 수 있게 만들 수 있습니다.

이 논문이 재료 과학의 모든 문제를 해결한다고 주장하는 것은 아니지만, 때로는 AI를 사용하거나 고온으로 요리하는 것보다 단순히 입방체를 자르고 지저도한 부분들을 삭제하는 것과 같은 단순한 해결책이 더 나을 수 있음을 강력하게 시사합니다. 이는 원자의 혼돈스러운 세계에서, 국부적인 상태를 유지하고 충돌을 피하는 것이 거대하고 복잡한 재료의 비밀을 푸는 열쇠가 될 수 있음을 상기시켜 줍니다.