🔬 materials science

Fourier Neural Operators for Composition-Driven Crystal Structure Discovery

이 논문은 장거리 주기적 상관관계를 포착할 수 있는 푸리에 뉴럴 오퍼레이터 기반 솔버와 지정된 화학 조성으로부터 다양하고 유효한 결정 구조를 생성하는 조건부 변이형 오토인코더를 결합한, 결정 구조 발견을 위한 확장 가능한 프레임워크를 소개한다.

원저자: Zhijie Yu, Jingyu Li, Yang Huang, Jingrun Chen

게시일 2026-09-02

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Zhijie Yu, Jingyu Li, Yang Huang, Jingrun Chen

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

새로운 재료를 찾는 과정은 문명만큼이나 오래된 탐구이며, 에너지를 더 효율적으로 저장하고, 더 빠른 전자 기기를 구축하며, 산업 세계를 변화시킬 수 있는 촉매제를 만들어내려는 욕구에 의해 추진되어 왔습니다. 이 탐구의 중심에는 원자들이 반복되는 3차원 패턴으로 배열된 고체인 결정(crystal)이 있습니다. 이러한 원자들이 쌓이는 특정한 방식은 해당 재료가 단단한 다이아몬드가 될지, 부드러나 금속이 될지, 혹은 초전도체가 될지를 결정합니다. 그러나 가능한 결정 구조의 우주는 너무나 방대하여, 모든 원소의 조합을 일일이 테스트하며 새로운 것을 찾는 것은 지구상의 모든 해변에서 특정 모래알 하나를 찾는 것과 같습니다. 전통적인 컴퓨터 방식은 수백만 개의 후보 구조의 에너지를 시뮬레이션하여 이 문제를 해결하려 하지만, 이 과정은 너무 느리고 비용이 많이 들어 가능성의 극히 일부만을 탐색할 수 있을 뿐입니다.

최근 몇 년 동안 과학자들은 이 화학적 황무지를 항해하기 위해 인공지능에 눈을 돌렸습니다. 이러한 새로운 모델들은 기존의 알려진 결정 데이터베이스로부터 학습하며, 원자들이 어떻게 배열되는지를 지배하는 숨겨진 규칙들을 배웁니다. 그 후 이들은 이전에 본 적 없는 완전히 새로운 구조를 제안할 수 있습니다. 하지만 이러한 첨단 AI 시스템조차도 중대한 장애물에 직면해 있습니다. 이들은 결정의 반복적인 본질을 정의하는 장거리 연결성을 포착하는 데 종종 어려움을 겪으며, 원자의 복잡한 3D 이미지를 생성하려고 할 때 자주 흐릿하거나 물리적으로 불가능한 결과를 만들어냅니다. 이제 한 연구팀이 이러한 한계를 우회하여, 단순한 성분 목록으로부터 안정적인 결정을 발견하는 더 빠르고 신뢰할 수 있는 방법을 개발했습니다.

중국과학기술대학교(University of Science and Technology of China)에서 연구를 수행한 이들은 CrystalFNO라고 불리는 시스템을 만들었습니다. 연구진은 단 한 번의 거대한 도약으로 모든 원자의 정확한 위치를 추측하는 대신, 문제를 두 가지 뚜렷한 단계로 나누었습니다. 먼저, 시스템은 화학식(예를 들어 칼슘, 팔라듐, 산소와 같은 원소의 레시피)을 입력받아 결정의 용기라고 불리는 격자 매개변수(lattice parameters)의 후보 형태 세트를 생성합니다. 이는 원자들을 담을 상자의 크기와 각도를 결정하는 것과 같습니다. 이를 위해 연구진은 화학적 레시피와 그것이 통상적으로 들어맞는 기하학적 상자 사이의 관계를 이해하도록 훈련된 유형의 신경망을 사용했습니다.

후보 상자가 제안되면, 시스템은 두 번째 단계이자 더 혁신적인 단계인 원자들이 그 공간을 어떻게 채울지를 예측하는 단계로 넘어갑니다. 여기서 연구진은 이전 AI 모델에서 사용되던 표준 도구들을 푸리에 뉴럴 오퍼레이터(Fourier neural operators)에 기반한 새로운 유형의 솔버(solver)로 교체했습니다. 전통적인 방법들이 결정의 작은 국소적 이웃을 조사함으로써 결정을 바라본다면, 이 새로운 솔버는 전체 그리드에 걸친 반복 패턴을 분석하며 구조 전체를 한꺼번에 봅니다. 이를 통해 결정의 안정성에 필수적인 장거리 연결성을 포착할 수 있습니다. 이 솔버는 두 가지 보이지 않는 필드를 예측하는데, 하나는 원자가 존재할 가능성이 높은 곳을 보여주는 필드이고, 다른 하나는 어떤 종류의 원자인지를 나타내는 필드입니다. 이 필드들은 좌표의 목록이라기보다는 매끄럽고 연속적인 지도 형태이며, 이는 AI가 복잡하고 반복적인 패턴을 다룰 때 흔히 겪는 혼란을 피하도록 도와줍니다.

예측된 필드를 손에 쥔 상태에서, 시스템은 실제 결정 구조를 재구성합니다. 시스템은 밀도 지도의 정점을 식별하여 원자를 배치하고, 예측된 형태 안에 완벽하게 들어맞도록 위치를 최적화하며, 두 번째 필드를 바탕으로 올바른 원소 유형을 할당합니다. 이 과정은 매끄럽고 추상적인 예측을 다시 구체적인 3차원 원자 배열로 변환합니다. 새로 생성된 구조들이 단순히 수학적인 호기심이 아니라 물리적으로 실재 가능한 가능성인지 확인하기 위해, 연구팀은 엄격한 스크리닝 과정을 거쳤습니다. 먼저 명백히 결함이 있는 구조들을 걸러낸 다음, 머신러닝 모델을 사용하여 원자들을 이완(relax)시켜 가장 안정적이고 낮은 에너지 상태에 자리 잡도록 했습니다. 마지막으로, 결과물인 결정이 결합을 유지할지 아니면 무너질지를 확인하기 위해 고수준의 계산을 수행했습니다.

이 새로운 접근 방식의 결과는 방대한 기지의 재료 데이터베이스를 대상으로 테스트되었습니다. 시스템은 100가지 이상의 서로 다른 화학식에 대해 새로운 구조를 성공적으로 생성했습니다. 중요한 테스트에서 연구진은 시스템이 알려진 데이터베이스에 존재하지 않는 안정적이고 기하학적으로 타당한 결정을 생성할 수 있음을 발견했습니다. 생성된 수천 개의 후보 중 수백 개가 은, 란타넘, 규소와 같은 복잡한 원소 조합을 포함하여 엄격한 안정성 검사를 통과했습니다. 이 연구는 새로운 방법이 높은 대칭성을 가진 결정, 즉 반복 패턴이 강하고 명확한 경우에 특히 효과적임을 보여주었으나, 원자 배열이 덜 예측 가능한 불규칙한 저대칭 구조에서는 여전히 과제에 직면해 있음을 보여주었습니다.

결정적으로, 연구진은 자신들의 과업에 담긴 근본적인 어려움을 확인했습니다. 화학식으로부터 결정 구조를 예측하는 것은 단순한 일대일 대응의 퍼즐이 아닙니다. 동일한 성분과 상자 크기가 때로는 여러 가지 다른 원자 배열에 대응할 수 있는데, 이를 다형성(polymorphism)이라고 합니다. 이 시스템은 결정론적(deterministic)이기 때문에, 훈련 과정에서 본 데이 가장 전형적인 배열을 예측하도록 학습됩니다. 희귀하거나 특이한 배열을 마주했을 때, 시스템은 근접하지만 완벽하지 않은 결과를 낼 수 있습니다. 연구팀은 이러한 한계를 인정하며, 시스템의 성공은 결정의 대칭성에 크게 의존한다는 점, 즉 구조가 더 대칭적일수록 시스템이 밀도 필드를 더 정확하게 예측하고 최종 재료를 재구성할 수 있다는 점을 언급했습니다.

이러한 도전 과제에도 불구하고, 이 연구는 재료 발견 분야에서 중요한 진전을 의미합니다. 결정의 용기를 생성하는 것과 그 내용을 예측하는 것을 분리하고, 국소적 세부 사항이 아닌 전역적 패턴을 이해하는 솔버를 사용함으로써, 연구진은 새로운 재료를 찾기 위한 확장 가능한 경로를 만들어냈습니다. 이 시스템은 단순히 기존의 결정을 모방하는 것이 아니라, 언젠가 새로운 기술의 동력이 될 수 있는 안정적이고 새로운 구조를 찾기 위해 방대한 가능성의 공간을 탐험합니다. 이 연구는 고급 뉴럴 오퍼레이터를 세심한 물리적 스크리닝과 결합하는 것이 미래의 재료를 발견하고자 하는 과학자들에게 강력한 새로운 도구를 제공한다는 것을 확인시켜 줍니다.

기술 요약: 조성 기반 결정 구조 발견을 위한 푸리에 신경 연산자 (Fourier Neural Operators)

1. 문제 정의

새로운 결정질 재료의 발견은 에너지, 전자 공학 및 촉매 분야의 발전에 매우 중요하다. 그러나 화학 원소, 화학 양론(stoichiometry), 결정 구조의 방대한 조합 공간으로 인해 전수적인 실험적 또는 계산적 스크리닝은 불가능에 가깝다. 유전 알고리즘(genetic algorithms)이나 입자 군집 최적화(particle swarm optimization)와 같은 전통적인 결정 구조 예측(CSP) 방법은 반복적인 밀도 범함수 이론(DFT) 평가에 의존하며, 이는 계산 비용이 많이 들고 시스템 크기에 따라 확장성이 떨어진다는 단점이 있다.

딥 생성 모델(deep generative models)은 결정 구조의 기저 분포를 학습함으로써 유망한 대안을 제시하지만, 기존의 복셀(voxel) 기반 접근 방식은 두 가지 근본적인 한계에 직면해 있다:

국소 수용장 (Local Receptive Fields): 표준 3D 합성곱 신경망(CNN)은 주로 국소 이웃으로부터 정보를 집계하기 때문에, 결정 밀도 필드에 내재된 장거리 주기적 의존성을 포착하는 데 어려움을 겪는다.
사후 붕괴 (Posterior Collapse): 복셀 표현의 고차원성(예: $N \times N \times N$ 그리드)은 변이형 오토인코더(VAE) 목적 함수에서 재구성 항(reconstruction term)이 지배하게 만들어, 잠재 공간(latent space)이 사전 분포(prior)와 정렬되지 못하고 사후 붕괴를 초래하며, 결과적으로 저품질 및 불충분한 다양성을 가진 생성을 유발한다.

2. 방법론: CrystalFNO

저자들은 격자 매개변수 생성과 결정 밀도 필드 예측을 분리하는 결합 생성-해결 프레임워크인 CrystalFNO를 제안한다. 워크플로우는 다음 네 가지 순차적 단계로 구성된다:

A. 복셀 표현

결정 구조는 주기적 경계 조건 하의 $32 \times 32 \times 32$ 그리드 상의 연속적인 밀도 필드로 표현된다. 두 가지 필드가 정의된다:

수 밀도 필드 ( $\rho_{num}$ ): 원소 유형과는 독립적으로 원자의 공간적 분포를 인코딩하며, 원자 위치 파악에 사용된다.
전자 밀도 필드 ( $\rho_{Z}$ ): 위치 정보와 원자 번호에 의해 가중치가 부여된 원소 정보를 모두 인코딩하며, 원소 할당에 사용된다.

B. 격자 매개변수 생성 (CVAE)

조건부 변이형 오토인코더(CVAE)는 화학식( $F$ )에 조건화되어 후보 격자 매개변수( $L = \{a, b, c, \alpha, \beta, \gamma\}$ )를 생성한다.

대칭성 제약: 양의 정치성(positive definiteness)과 결정학적 대칭성을 보장하기 위해, 격자 매개변수는 대칭 기저 분해 전략을 사용하여 6차원 계수 벡터로 인코딩된다.
생성: CVAE는 저차원 잠재 공간에서 샘플링하여 고차원 복셀 공간을 직접 모델링하지 않고도 다양한 격자 매개변수를 생성한다.

C. 밀도 필드 예측 (FNO 솔버)

푸리에 신경 연산자(FNO)는 결정 필드 솔버로서, 화학식과 생성된 격자 매개변수를 대응하는 $\rho_{num}$ 및 $\rho_{Z}$ 필드로 매핑한다.

아키텍처: 솔버는 푸리에 층 내에서 이중 분기 구조를 채택한다:
- 주파수 분기 (Frequency Branch): 3D 고속 푸리에 변환(FFT), 학습 가능한 스펙트럼 합성곱, 역 푸리에 변환(IFFT)을 사용하여 전역적인 주기적 상관관계와 장거리 의존성을 포착한다.
- 공간 분기 (Spatial Branch): 3D 합성곱을 사용하여 국소적인 원자 규모의 특징을 추출한다.
입력 인코딩: 화학식은 가중치가 부여된 원-핫 벡터로 인코딩되며, 격자 매개변수는 고주파 변동을 포착하기 위해 푸리에 특징 인코딩(Fourier feature encoding)을 거친다.
학습: 두 개의 독립적인 FNO 모델이 L1 손실을 사용하여 각각의 밀도 필드에 대해 학습된다.

D. 구조 재구성 및 스크리닝

예측된 밀도 필드는 3단계 최적화를 통해 다시 원자 구조( $M = \{A, X, L\}$ )로 변환된다:

피크 검출 (Peak Detection): 비최대 억제(non-maximum suppression)를 사용하여 $\rho_{num}$ 의 국소 최댓값을 후보 원자 위치로 식별한다.
위치 최적화 (Position Optimization): 재구성된 밀도와 예측된 $\rho_{num}$ 사이의 차이를 최소화하기 위해 경사 하강법을 통해 원자 좌표를 정밀화한다.
가중치 최적화 (Weight Optimization): $\rho_{Z}$ 에 적합하도록 가중치를 최적화하여 원소 유형을 할당한다.

스크리닝 파이프라인:

복셀 수준 필터링: 예측된 밀도 필드와 재구성된 밀도 필드 사이의 L1 손실에 따라 후보들을 순위 매긴다.
DPA 완화 (DPA Relaxation): 상위 후보들은 기하학적 구조와 힘을 최적화하기 위해 딥 포텐셜 원자론적(Deep Potential Atomistic, DPA) 머신러닝 원자간 포텐셜을 사용하여 완화 과정을 거친다.
검증: 단위 격자 변이, RMSD, 원소 일치율을 기준으로 구조를 스크리닝한다. 최종 후보는 형성 에너지(formation energy)를 기준으로 평가된다.

3. 주요 결과

A. 밀도 필드 예측 정확도

FNO 솔버는 낮은 검증 손실( $\approx 1.5 \times 10^{-5}$ )과 함께 안정적인 수렴을 달성했다.
예측 정확도는 결정 대칭성과 상관관계가 있다: 고대칭 시스템(입방계, cubic)은 가장 낮은 오차( $\approx 6.15 \times 10^{-6}$ )를 보였고, 저대칭 시스템(사방정계, triclinic)은 더 높은 오차( $\approx 2.36 \times 10^{-5}$ )를 나타냈다.
한계 분석: 저자들은 밀도 필드 예측 작업을 **부적절하게 정의된 역문제(ill-posed inverse problem)**로 규정한다. 동일한 입력(식 + 격자)이 전역적 평행 이동, 이산 대칭 변환, 다형성(polymorphism)으로 인해 여러 개의 서로 다른 밀도 필드에 대응할 수 있기 때문이다. 결정론적 모델로서 FNO는 "전형적인" 매핑을 학습하며, 이로 인해 훈련 분포에서 벗어나는 경우 체계적인 편차가 발생한다.

B. 구조 재구성

재구성 정확도는 결정계에 따라 차이가 난다. 입방계 시스템은 최고의 성능(RMSE = 0.247 Å, 일치율 = 90.5%)을 보인 반면, 단사정계(monoclinic) 시스템은 가장 큰 위치 오차(RMSE = 1.195 Å)를 보였다.
결합된 기준(RMSE $\le$ 1.0 Å 및 원소 일치율 $\ge$ 60%) 하에서, 전체 구조의 53.3%만이 성공적으로 재구성되었으며, 이는 밀도 필드만으로 완전한 구조를 재구성하는 것이 어렵다는 점을 강조한다.

C. 엔드 투 엔드 생성 (End-to-End Generation)

프레임워크는 104개의 화학식에 대해 테스트되었다.
43,686개의 생성된 후보 중 3,663개가 기하학적 및 에너지 스크리닝을 통과했다.
Materials Project 데이터베이스와의 중복 제거 과정을 거친 후, 320개의 새로운 구조가 104개의 서로 다른 화학식을 커버하며 발견되었다.
이 새로운 후보들 중 55.9%는 원소 참조 상태에 대해 음(-)의 형성 에너지를 보여, 에너지론적 유리함을 나타냈다.

4. 의의 및 주장

본 논문은 복셀 기반 결정 구조 생성 프레임워크 내에서 푸리에 신경 연산자를 결정 필드 솔버로 적용한 첫 번째 사례라고 주장한다.

확장성: 격자 생성과 밀도 예측을 분리하고 전역 스펙트럼 합성곱을 활용함으로써, 이 접근 방식은 국소 CNN과 고차원 VAE의 한계를 해결하며, 주어진 조성으로부터 결정 발견을 위한 확장 가능한 경로를 제공한다.
생성 다양성: 결합된 생성-해결 전략은 광범-한 화학식 및 결정계에 걸쳐 다양하고 기하학적으로 타당하며 에너지적으로 안정적인 구조를 성공적으로 생성한다.
방법론적 기여: 본 연구는 푸리에 신경 연산자를 주기적 결정 필드로 확장하는 것이 조성 조건부 격자 생성과 결합될 때, 장거리 상관관계를 효과적으로 포착하고 모든 후보에 대해 반복적인 DFT 탐색 비용 없이 새로운 재료를 발견할 수 있음을 입증한다.

저자들은 역문제의 부적절한 정의에 대해 겸허한 태도를 유지하며, 결정론적 FNO 솔버가 단일한 "전형적인" 매핑을 생성하므로 희귀한 다형체나 비표준 대칭 연산에서 성능이 제한될 수 있다고 언급했다. 그들은 향-후 개선 방향으로, 여러 유효한 구성을 더 잘 구별하기 위해 입력 조건(예: 질량 중심 위치 또는 대칭 정보)을 풍부하게 하는 방안을 제시하였다.