🔬 materials science

Physics-informed Machine Learning Prediction of Hubbard Interaction Parameters

본 연구는 전이 금속 산화물의 cRPA 유도 허바드 상호작용 매개변수( $U_{\rm eff}$ , $V$ , $J$ )를 정확하게 예측하는 물리 정보 기반 머신러닝 모델을 제시하며, 이를 통해 고처리량 스크리닝 능력과 이러한 상호작용을 지배하는 전자적 및 구조적 요인에 대한 새로운 물리적 통찰력을 모두 제공한다.

원저자: Jiyeon Kim, Indukuru Ramesh Reddy, Bongjae Kim, Sooran Kim

게시일 2026-07-30

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Jiyeon Kim, Indukuru Ramesh Reddy, Bongjae Kim, Sooran Kim

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 원자들로 이루어진 작고 북적이는 도시의 완벽한 모델을 만들려고 노력하고 있다고 상상해 보십시오. 이 도시에서 전자들은 시민이며, 이곳저곳을 빠르게 누비며 서로 상호작용합니다. 때때로 전자들은 규칙을 잘 따르는 모범적인 시민처럼 행동합니다. 하지만 전이 금속 산화물과 같은 특정 물질에서는 전자들이 무례하게 행동하기 시작합니다. 그들은 서로를 너무 세게 밀치고 떠밀어서 일반적인 규칙이 무너집니다. 이것을 "강한 전자 상관관계(strong electron correlation)"라고 부릅니다. 이러한 물질들을 이해하기 위해(이들은 더 나은 배터리, 초전도체, 자석을 만드는 데 매우 중요합니다), 과학자들은 "허바드 파라미터(Hubbard parameters)"라는 특별한 규칙 세트를 사용합니다. 이 파라미터들을 "교통 법규"라고 생각하십시오. 즉, 전자들이 같은 지점에 있을 때 얼마나 서로를 밀어내는지(온사이트, on-site), 이웃한 거리 건너편과는 어떻게 상호작용하는지(인터사이트, inter-site), 그리고 얼마나 조화롭게 스핀을 맞추는지(훈트 결합, Hund's coupling)를 나타냅니다.

오랫동안 이 교통 법규를 알아내는 것은 추측의 영역이었습니다. 과학자들은 컴퓨터 모델이 실제 실험 결과와 일치할 때까지 숫자들을 미세하게 조정하곤 했지만, 이는 새로운 물질에 적용하기에는 신뢰도가 떨어졌습니다. 이후, "제약된 랜덤 위상 근사(constrained random-phase approximation, cRPA)"라는 더 엄격한 방법이 개발되었습니다. 이것은 물리 법칙에 기반하여 정확한 규칙을 계산해 내는 초정밀 교통 카메라와 같지만, 계산 비용이 너무 많이 들어 실행하는 데 시간이 엄청나게 오래 걸리기 때문에, 우주의 모든 물질을 일일이 확인하는 것은 불가능합니다. 여기서 이야기가 흥面白해집니다. 어떻게 하면 결과를 얻기 위해 몇 년씩 기다리지 않고도 저 초정밀 카메라의 정확도를 얻을 수 있을까요?

논문의 이야기: 컴퓨터에게 규칙을 추측하는 법 가르치기

이 연구에서 김지연, 임두쿠루 라메쉬 레디(Indukuru Ramesh Reddy)와 그들의 팀은 컴퓨터가 숙련된 교통 경찰이 될 수 있도록 가르치기로 했습니다. 그들은 전이 금속 산화물의 까다로운 허바드 파라미터( $U_{eff}$ , $V$ , $J$ )를 예측할 수 있는 "물리 정보 기반(physics-informed)" 머신러닝 모델을 구축하고자 했습니다. 단순히 컴퓨터가 맹목적으로 추측하게 두는 대신, 그들은 전자의 "고속도로"가 얼마나 넓은지(대역폭, bandwidth)나 산소 이웃과의 에너지 준위 차이(밴드 중심 분리, band-center separation)와 같은 물리적 단서들이 담긴 '치트 시트'를 제공했습니다.

연구팀은 먼저 느리고 비용이 많이 드는 cRPA 방법을 사용하여 다양한 물질에 대한 "정답"을 얻음으로써 방대한 데이터셋을 구축했습니다. 그런 다음, 세 가지 다른 유형의 머신러닝 탐정(랜덤 포레스트, 그래디언트 부스팅, XGBoost)을 훈련시켜 패턴을 학습하도록 했습니다. 결과는 인상적이었습니다. 가장 뛰어난 탐정인 XGBoost 모델은 온사이트 반발력( $U_{eff}$ )을 단 0.148 eV의 오차로, 이웃 간 상호작용( $V$ )을 0.062 eV의 오차로, 그리고 스핀 정렬( $J$ )을 고작 0.007 eV라는 아주 작은 오차로 예측할 수 있었습니다. 이를 비교해 보자면, 이 모델은 느리고 비싼 방식만큼이나 물질 간의 차이를 잘 구별해 내면서도, 순식간에 결과를 내놓는다는 점에서 매우 탁월합니다.

하지만 저자들은 단순히 답만 내놓는 "블랙박스"를 만드는 데 그치지 않았습니다. 그들은 컴퓨터가 왜 그런 추측을 하는지 알고 싶었습니다. 그래서 그들은 "회귀 기반 브루트 포스 탐색(regression-based brute-force search, BFS)"이라는 두 번째 기술을 사용했습니다. 이것은 컴퓨터의 최선의 추측을 가져와서 그 논리를 설명하는 간단한 수학 방정식을 강제로 써 내려가게 하는 과정이라고 상상해 보십시오. 이를 통해 원자 세계에 대한 몇 가지 매혹적인 진실이 밝혀졌습니다.

온사이트 반발력( $U_{eff}$ )의 경우: 모델은 이 값이 전자가 얼마나 "국부화(localized)"되어 있는지(원자에 얼마나 붙잡혀 있는지)와 산소 이웃과 얼마나 섞이는지 사이의 줄다리기라는 것을 발견했습니다. 수학적으로 보면, 전자가 더 국부화되어 있고(더 좁은 대역폭), 산소와의 혼합이 적을수록(더 큰 에너지 분리) 반발력이 강해집니다. 도출된 방정식은 이러한 물리적 개념들을 최종 수치와 직접 연결했습니다.
이웃 간 상호작용( $V$ )의 경우: 이것은 구조에 관한 문제였습니다. 모델은 원자들이 더 조밀하게 패킹되어 있고(구조적 조밀함), 산소와의 혼합이 강할수록 이웃 간의 상호작용이 강해진다고 제안했습니다. 흥미롭게도, 이 경우에는 온사이트 반발력에서처럼 전자의 "국부화"가 그리 중요하게 작용하지 않았습니다.
스핀 정렬( $J$ )의 경우: 이것은 가장 단순했습니다. 모델은 스핀 정렬이 거의 전적으로 금속 원자 자체의 정체성에 의해 결정된다는 것을 발견했습니다. 이것은 마치 지문과 같습니다. 원소(원자 번호와 그룹)를 알면 주변의 복잡한 구조와 상관없이 스핀 행동을 놀라운 정확도로 예측할 수 있습니다. 모델은 이 상호작용이 환경에 의해 약하게 차폐되기 때문에, 원자 본연의 특성이 그대로 드러난다고 제안했습니다.

저자들은 이 머신러닝 모델들이 매우 정확하지만, 마법은 아니라는 점을 강조합니다. 이 모델들은 훈련을 위한 "진실" 역할을 하는 cRPA 데이터라는 토대 위에 세워졌습니다. 이 연구는 머신러닝의 속도와 도출된 방정식의 물리적 통찰력을 결다면, 과학자들이 왜 그렇게 행동하는지에 대한 깊은 이해를 희생하지 않으면서도 수천 개의 물질을 빠르게 스크리닝할 수 있음을 시사합니다. 이는 추측의 속도와 물리학자의 지혜라는 두 마리 토끼를 모두 잡는 방법입니다.

기술 요약: 허바드 상호작용 매개변수 예측을 위한 물리 정보 기반 머신러닝

문제 정의
정확한 허바드 상호작용 매개변수(특히 유효 온사이트 쿨롱 상호작용 $U_{eff}$ , 격자 간 쿨롱 상호작용 $V$ , 훈트 결합 $J$ )의 결정은 상관 관계가 있는 물질에 beyond-DFT 방법(예: DFT+U, DFT+DMFT, DFT+U+V)을 적용하는 데 매우 중요하다. 이러한 매개변수를 경험적으로 튜닝하는 방식이 흔히 사용되지만, 이는 전이 가능성(transferability)을 제한한다. 제약된 랜덤 위상 근사(cRPA)와 같은 제일원리 접근법은 전자 스크리닝을 명시적으로 처리함으로써 엄밀하고 전이 가능한 경로를 제공한다. 그러나 cRPA 계산의 높은 계산 비용은 대규모 재료 스크리닝의 병목 현상을 야기한다. 최근의 머신러닝(ML) 연구들이 허바드 매개변수를 예측해 왔으나, 전자 국소화 및 스크리닝 효과를 포착하는 기술자(descriptor)를 사용하여 cRPA 유도 $U_{eff}$ , $V$ , $J$ 를 구체적으로 예측하는 연구는 여전히 미개척 분야로 남아 있다.

방법론
저자들은 다양한 전이 금속 산화물(TMOs; 페로브스카이트, 올리빈, 스피넬, 층상 구조 및 층상 페로브스카이트 구조 포함)에 대해 cRPA 유도 매개변수를 예측하기 위한 물리 정보 기반 ML 프레임워크를 개발하였다.

데이터 생성: VASP 내의 cRPA 계산을 사용하여 $U_{eff}$ , $V$ , $J$ 데이터셋을 생성하였다. 상관된 하부 공간(TM-d 매니폴드)은 와니에 함수 투영(Wannier function projections)을 통해 정의되었으며, 이 밴드들과 관련된 스크리닝 과정을 제외하여 스크리닝된 상호작용을 계산하였다.
특징(Feature) 구성: 연구에서는 다음과 같이 분류되는 12개의 기술자를 구성하였다:
- 전자 구조 특징: TM-d 대역폭( $W$ ) 및 TM-d와 O-p 밴드 중심 사이의 에너지 간격( $D_{d-p}$ ). 이는 각각 국소화와 하이브리디제이션/스크리닝을 나타낸다.
- 원자 및 조성 특징: 원자 번호( $Z_{TM}$ ), 그룹( $G_{TM}$ ), 주기( $P_{TM}$ ), 평균 d-전자 수( $n_d$ ), 평균 산화 상태( $n_{ox}$ ).
- 구조적 특징: 단위 격자 원자 수( $N_{u.c}$ ), TM 이온 수( $TM_{u.c}$ ), 최단 TM-O 결합 길이( $d_{TM-O}$ ), 화학식 단위당 부피( $V_{f.u}$ ), 공간군 번호($SG$).
모델링 전략: 본 연구는 이중 접근 전략을 채택하였다:
- 앙상블 학습: 주요 특징을 식별하고 높은 예측 정확도를 달기 위해 Leave-One-Out 교차 검증(LOOCV)을 사용하여 Random Forest(RF), Gradient Boosting Regression(GBR), Extreme Gradient Boosting(XGB) 모델을 훈련하였다.
- 회귀 기반 브루트 포스 탐색(BFS): 명시적인 해석적 표현식을 얻기 위해 BFS 알고리즘을 적용하였다. 앙상블 분석에서 선택된 주요 특징들을 15가지 비선형 함수(예: $x, 1/x, e^x, \ln(x+1)$ )를 사용하여 변환함으로써 원형 특징(prototypical features)을 생성하였다. 이들은 곱셈적으로 결합되어 복합 특징(compound features)을 형성하였고, 이를 통해 선형 회귀 모델($mCnF $로 표기, 여기서$ m $은 복합 특징의 수,$ n$은 주요 특징의 수)을 구축하였다.

주요 결과

$U_{eff}$ 예측:
- 앙상블 모델: XGB가 6개의 특징( $n_{ox}, n_d, N_{u.c}, V_{f.u}, Z_{TM}, G_{TM}$ )을 사용하여 RMSE 0.148 eV, $R^2$ 0.899의 성능으로 가장 우수한 성과를 보였다. 4개 특징 서브셋( $n_{ox}, n_d, N_{u.c}, V_{f.u}$ )은 거의 포화된 성능(RMSE 0.168 eV)을 나타냈다.
- 해석적 표현식: BFS 방법은 명시적인 공식을 생성하였다. 물리적으로 동기화된 세트( $W, D_{d-p}, n_d, V_{f.u}$ )를 사용한 모델은 RMSE 0.207 eV를 달성하였다. 도출된 해석적 형태(식 3)는 $U_{eff}$ 를 국소화( $W$ ) 및 하이브리디제이션( $D_{d-p}$ )과 직접 연결하며, $U_{eff}$ 가 감소하는 하이브리디제이션(더 큰 $D_{d-p}$ )과 함께 증가하고 $n_d$ 에 대해 비단조적 의존성을 보임을 보여준다.
격자 간 $V$ 예측:
- 앙상블 모델: XGB가 5개의 특징( $n_d, N_{u.c}, V_{f.u}, SG, Z_{TM}$ )을 사용하여 RMSE 0.062 eV ( $R^2 = 0.784$ )를 달성하였다.
- 해석적 표현식: 가장 우수한 BFS 모델(3C2F 구성)은 ( $n_d, N_{u.c}, V_{f.u}, P_{TM}$ ) 세트를 사용하여 RMSE 0.071 eV를 달성하였다. 결과 공식(식 4)은 $V$ 가 구조적 조밀함(더 작은 $V_{f.u}$ 와 더 큰 $N_{u.c}$ 가 $V$ 를 증가시킴)과 하이브리디제이션 관련 스크리닝( $D_{d-p}$ )에 의해 지배되지만, $W$ (국소화)는 미미한 역할을 한다는 것을 나타낸다.
훈트 결합 $J$ 예측:
- 앙상블 모델: 최소한의 기술자를 사용하여 $J$ 를 매우 높은 정확도로 예측하였다. XGB는 단 3개의 특징( $G_{TM}, P_{TM}, SG$ )을 사용하여 RMSE 0.007 eV ( $R^2 = 0.989$ )를 달성하였다. 단일 특징( $Z_{TM}$ )만으로도 RMSE ~0.015 eV를 기록하였다.
- 해석적 표현식: BFS 분석은 $J$ 가 주로 고유한 원자적 특성에 의해 지배됨을 확인하였다. 가장 우수한 해석적 모델(식 6)은 오직 원소 기술자( $G_{TM}$ 및 $P_{TM}$ )에만 의존하며, 이는 cRPA에서 스크리닝이 약하기 때문에 발생하는 bare atomic 트렌드의 보존과 일치하게 $J$ 가 TM 계열이 진행됨에 따라 증가하고 주기가 진행됨에 따라 감소하는 경향을 반영한다.

의의 및 주장
본 논문은 경험적 피팅에 의존하지 않고 cRPA 유도 허바드 매개변수를 예측할 수 있는 효율적인 접근법을 제공하여, DFT+U 및 DFT+U+V 워크플로를 가속화한다고 주장한다. 앙상블 학습과 BFS를 결합함으로써, 본 연구는 높은 예측 정확도와 물리적 해석 가능성을 동시에 달성하였다.

저자들은 이 프레임워크가 다음과 같은 구체적인 물리적 통찰을 제공함을 강조한다:

$U_{eff}$ 는 전자 국소화와 TM-d/O-p 하이브리디제이션 사이의 경쟁과 직접 연결된다.
$V$ 는 궤도 국소화보다는 주로 하이브리디제이션 관련 스크리닝과 구조적 조밀함에 의해 결정된다.
$J$ 는 cRPA 스크리닝이 약하기 때문에, 전이 금속 이온의 고유한 원자적 특성에 의해 거의 전적으로 지배된다.

본 연구는 이 물리 정보 기반 ML 프레임워크가 상관 관계가 있는 산화물의 기술자-물성 관계를 식별하는 실용적인 경로를 제공하며, 원래의 훈련 데이터나 복잡한 cRPA 계산에 접근할 필요 없이 적용할 수 있는 명시적인 해석적 공식을 제공한다고 결론짓는다.

유사한 논문