Universal Machine-learning Molecular Dynamics at the Speed of Empirical Potentials

원자의 세계를 이해하기 위해 과학자들은 종종 매우 다른 두 가지 도구에 의존합니다. 하나는 양자 역학의 가장 깊은 법칙에서 유도된 규칙들의 집합으로, 극도로 높은 정밀도를 제공하지만 엄청난 컴퓨팅 파워를 요구하여 시뮬레이션이 아주 작은 원자 집단이나 찰나의 순간에만 국한됩니다. 다른 하나는 매우 빠르게 실행되는 단순화된 경험적 규칙들로, 연구자들이 수십억 개의 원자가 상호작용하는 모습을 오랜 시간 동안 관찰할 수 있게 해주지만, 화학적 환경이 변하거나 높은 정밀도가 요구될 때는 자주 실패하곤 합니다. 수십 년 동안 과학계는 좌절스러운 선택에 직면해 왔습니다. 즉, 시뮬레이션이 정확하거나 혹은 빠르거나 둘 중 하나를 가질 수는 있었지만, 둘 다 갖추기는 매우 어려웠으며, 특히 실제 재료에서 발견되는 복잡하고 무질서한 혼합물을 처리할 수 있는 모델은 거의 불가능했습니다.

이제 한 연구팀이 이 간극을 메우는 새로운 접근 방식을 선보였습니다. 그들은 양자 역학의 정확성을 단순한 경험적 규칙의 속도로 가져온 DPA4C라는 시스템을 개발했습니다. 이 성과는 과학자들이 이전에는 불가능했던 수준의 세부 사항을 갖춘 거대 시스템, 즉 수십억 개의 원자를 포함하는 시스템을 시뮬레이션할 수 있게 해줍니다. 이 작업이 중요한 이유는 금속들이 그 경계에서 어떻게 섞이는지, 혹은 재료가 응력을 받을 때 어떻게 반응하는지와 같은 복잡한 과정을 결과에 대한 신뢰를 위한 정밀도를 희생하지 않고도 연구할 수 있게 해주기 때문입니다. 팀은 영리한 수학적 설계와 고도로 최적화된 컴퓨터 코드를 결합하여, 다양한 화학 원소들을 처리하면서도 과거에는 대략적인 근사치만이 가능했던 속도로 표준 그래픽 하드웨어에서 구동될 수 있는 도구를 만들어냈습니다.

이 돌파구의 핵심은 컴퓨터가 원자에 대해 어떻게 "생각"하는지에 있습니다. 머신러닝 모델이 원자의 행동을 예측하도록 시도했던 이전의 시도들에서, 모델은 종종 학습된 복잡한 정보를 한 원자에서 이웃한 원자로 층층이 전달해야 했습니다. 이 과정은 마치 메시지가 여러 손을 거쳐 전달되어야 하는 '전화기 게임(telephone game)'과 같았으며, 특히 원자의 수가 늘어남에 따라 막대한 메모리와 시간을 요구했습니다. 새로운 시스템인 DPA4C는 이러한 근본적인 구조를 바꿉니다. 복잡한 데이터를 주고받는 대신, 이 모델은 이웃한 원자들의 영향을 단 한 번의 직접적인 단계로 계산합니다. 원자 사이의 거리와 화학적 유형을 살펴본 다음, 미리 계산된 룩업 테이블(lookup table)을 사용하여 그들의 상호작용을 결정합니다. 이 설계 덕분에 모델은 거대한 시스템 내의 모든 연결에 대해 고유하고 복잡한 상태를 저장할 필요가 없습니다.

이러한 구조적 변화는 연구자들이 모델의 메모리 사용량을 극적으로 압축할 수 있게 해줍니다. 상상해 보십시오. 두 사람 사이의 가능한 모든 대화마다 고유한 책을 쓰는 대신, 누가 대화하고 있는지와 얼마나 떨어져 있는지에 따라 무엇을 말해야 하는지 알려주는 하나의 작고 압축된 참조 가이드를 가지고 있는 도서관을 말입니다. 연구진은 모델이 정확히 이런 방식으로 작동하도록 구축했습니다. 그들은 광범위한 원소와 화학적 환경을 아우르는 방대한 원자 상호작용 데이터셋을 바탕으로 시스템을 훈련시켰습니다. 일단 훈련이 완료되면, 이러한 상호작용을 설명하는 복잡한 수학적 함수들은 단순하고 고정된 테이블과 캐시로 변환됩니다. 시뮬레이션이 실행될 때, 컴퓨터는 모든 원자 쌍에 대해 복잡한 방정식을 다시 계산하는 대신 단순히 이 값들을 찾아봅니다. 이를 통해 시스템은 이전 방식들이 필요로 했던 것보다 훨씬 적은 메모리와 처리 능력을 사용하면서도 높은 정확도를 유지할 수 있습니다.

이 접근 방식의 결과는 놀랍습니다. 연구진은 가장 압축된 버전부터 가장 크고 상세한 버전까지 다섯 가지 서로 다른 버전의 모델을 테스트했습니다. 가장 적은 컴퓨팅 자원을 사용하는 가장 작은 버전조차도 당시 사용 가능했던 가장 빠른 범용 모델들보다 현저히 더 정확한 것으로 나타났습니다. 다이아몬드와 구리를 포함한 테스트에서, 이 압축된 모델은 이전의 속도 기록 보유자인 범용 모델보다 거의 두 배 빠르게 실행되었으며, 에너지 및 힘 계산에서의 오류를 절반 이상 줄였습니다. 더 큰 버전의 모델은 가장 정밀한 기존 방법들의 정확도에 근접하면서도 약 100배 더 빠르게 실행되었습니다. 이는 이전에 가장 강력한 슈퍼컴퓨터로도 몇 주가 걸렸던 시뮬레이션을 이제 표준 하드웨어에서 아주 짧은 시간 안에 완료할 수 있음을 의미합니다.

이 시스템의 힘은 단일 컴퓨터에서의 속도뿐만 아니라, 많은 컴퓨터가 함께 작동할 때 얼마나 잘 확장되는가에 있습니다. 연구진은 자신들의 모델이 1,000개의 그래픽 처리 장치(GPU)를 사용하여 20억 개 이상의 원자를 포함하는 시뮬레이션을 실행할 수 있음을 입증했습니다. 이 거대한 설정에서 시스템은 83% 이상의 효율성을 유지했는데, 이는 더 많은 컴퓨터를 추가할수록 시뮬레이션 속도가 거의 완벽하게 빨라졌음을 의미합니다. 이러한 능력은 전체 마이크로칩 규모의 재료 거동이나 거대 생물학적 시스템 내의 복잡한 상호작용과 같이 이전에는 손이 닿지 않았던 현상을 연구할 수 있는 문을 열어줍니다. 이 모델은 단일 그래픽 카드에서 수백만 개의 원자를 포함하는 시스템을 성공적으로 처리했는데, 이는 이 정도 수준의 정확도를 가진 모델에게는 이전에는 불가능했던 일이었습니다.

이 발전이 특히 중요한 이유는 특정 유형의 재료나 특정 화학 조성에 의존하지 않기 때문입니다. 모델은 "범용적"이 되도록 훈련되었는데, 이는 새로운 시나리오마다 다시 훈련할 필요 없이 다양한 원소와 혼합물을 다룰 수 있음을 의미합니다. 이러한 범용성은 실제 세계의 재료가 흔히 여러 가지 다른 원소로 이루어진 복잡한 합금이나 혼합물이라는 점을 고려할 때 매우 중요합니다. 광범위한 화학적 범위와 양자 수준의 정확도, 그리고 경험적 포텐셜의 속도를 결합함으로써, 연구진은 현대 기술과 재료 과학을 이끄는 복잡한 다성분 시스템을 마침내 시뮬레이션할 수 있는 도구를 만들어냈습니다. 이 작업은 모델이 실제 배치 시의 제약 조건을 고려하여 설계된다면, 원자 시뮬레이션에서의 오랜 트레이드오프(정확도와 속도 사이의 절충)를 극복할 수 있다는 것을 시사합니다.

연구진은 또한 시스템의 한계를 면밀히 테스트했습니다. 그들은 모델이 단거리 상호작용에는 탁월하지만, 특정 유형의 재료에서 중요한 장거리 전기력이나 분산력을 명시적으로 고려하지는 않는다는 것을 발견했습니다. 그러나 고체와 액체에서 발견되는 대다수의 결합 시나리오에 대해 이 모델은 매우 신뢰할 수 있는 성능을 보여줍니다. 연구진은 룩업 테이블을 사용하는 압축된 버전의 모델이 압축되지 않은 버전과 거의 동일한 결과를 생성한다는 것을 확인하여, 압축이 정확도를 희생하지 않았음을 입증했습니다. 또한 모델이 전하를 띤 분자와 열린 껍질(open-shell) 시스템을 처리할 수 있음을 보여줌으로써, 단순한 고체 재료를 넘어 적용 범위를 넓혔습니다.

결국, 이 작업은 과학자들이 물질에 접근하는 방식을 바꾸는 것을 의미합니다. 효율성과 압축 가능성을 우선시하도록 머신러닝 모델의 근본적인 구조를 재고함으로써, 팀은 새로운 성능의 영역을 열었습니다. 그들은 범용적인 화학 구조를 가지면서도 중요한 예측을 신뢰할 수 있을 만큼 정확하고, 동시에 수십억 개의 원자 규모로 실행될 수 있을 만큼 빠른 모델을 갖는 것이 가능하다는 것을 보여주었습니다. 이 성과는 분야를 타협의 상태에서 역량의 상태로 이동시키며, 연구자들이 이전에는 너무 크거나 복잡해서 시뮬레이션할 수 없었던 재료와 분자에 대해 질문을 던질 수 있게 해줍니다. 앞으로의 길은 이러한 방법론을 장거리 상호작용까지 확장하고 더욱 전문화된 응용 분야를 위해 모델을 더욱 정교화하는 것을 포함하지만, 그 토대는 확고히 마련되었습니다.