SALTED: a symmetry-adapted machine-learning program for predicting electron-densities in molecules and materials

기술 요약: SALTED: 전자 밀도 예측을 위한 대칭 적응형 머신러닝 프로그램

문제 정의
밀도 범함수 이론(DFT)은 정확도와 계산 비용 사이의 균형을 제공하며 재료의 특성을 시뮬레이션하는 표준적인 방법입니다. 그러나 데이터 기반 재료 과학 분야가 더 큰 시스템과 더 긴 시간 척도를 향해 나아감에 따라, DFT의 적당한 비용조차도 점차 부담이 되고 있습니다. 따라서 고수준 전자 구조 방법론을 위해 생성하기 어려운 방대한 양의 훈련 데이터를 필요로 하지 않으면서도, DFT의 가장 근본적인 양인 실공간 전자 밀도 $n(\mathbf{r})$를 매우 낮은 비용으로 예측할 수 있는 머신러닝(ML) 방법론에 대한 절실한 필요성이 존재합니다. 기존의 ML 접근 방식은 다양한 화학적 환경에 대한 전이성(transferability)이 떨어지거나, 매우 많은 양의 훈련 데이터를 요구한다는 문제점이 있습니다.

방법론
SALTED(Symmetry-Adapted Learning of the Electron Density)는 특정 표현법과 학습 알고리즘을 통해 이러한 과제들을 해결합니다.

• 원자 기반 표현 (Atomic Basis Representation): 3D 그리드 상에서 $n(\mathbf{r})$을 샘플링하는 그리드 기반 ML 모델과 달리, SALTED는 선형 원자 중심 분해를 채택합니다. 전자 밀도는 각 원자를 중심으로 하는 반경 방향 함수 $R^\lambda_n$와 구면 조화 함수 $Y^\lambda_\mu$의 기저(basis) 위로 다음과 같이 전개됩니다:
  $$n(\mathbf{r}) = \sum_{i n \lambda \mu} c_{i n \lambda \mu} \sum_{\mathbf{u}} R^\lambda_n(|\mathbf{r} - \mathbf{r}_i - \mathbf{u}|) Y^\lambda_\mu\left(\widehat{\mathbf{r} - \mathbf{r}_i - \mathbf{u}}\right)$$
  여기서 $i$는 원자 인덱스를 나타내며, $\mathbf{u}$는 주기적 시스템을 위한 셀 병진 벡터를 나타냅니다. 계수 $c_{i n \lambda \mu}$는 타겟 변수입니다. 이 표현법은 원자 궤도 기반의 전자 구조 코드와 자연스럽게 호환되며, 이를 통해 밀도 정체성 해소(Resolution of the Identity, RI) 방법을 사용하여 참조 계수를 직접 추출할 수 있습니다.

• 대칭 적응형 가우시안 프로세스 회귀 (Symmetry-Adapted Gaussian Process Regression, GPR): 학습 알고리즘은 대칭 적응형 확장이 적용된 GPR을 활용합니다. SALTED는 등변 신경망(equivariant neural networks) 대신, 정확한 $O(3)$ 대칭을 만족시키기 위해 구면 텐서 커널($K_\lambda$)을 계산합니다. 이 커널들은 featomic 라이 라이브러리를 통해 생성된 원자-밀도 특징량으로부터 유도됩니다.

  • 데이터 효율성: 이러한 커널에 의해 정의된 제약된 함수 공간과 특징량의 물리적 해석 가능성은 과적합을 방지하는 데 도움을 줍니다. 이는 GPR이 고수준 전자 구조 데이터로 훈련할 때 매우 중요한 소규모 데이터 영역(예: $\sim 10^2-10^3$ 회의 계산)에서 특히 효과적으로 작용하게 합니다.
  • 벡터장 커널 (Vector-Field Kernels): 벡터장 커널 함수를 구현함으로써, SALTED는 인가된 전기장에 대한 전자 밀도의 1차 응답($\partial n(\mathbf{r})/\partial \mathbf{E}$)을 학습할 수 있으며, 이를 통해 3D 벡터장에 대한 올바른 변환 특성을 보장합니다.
  • 장거리 상호작용 (Long-Range Interactions): featomic의 사용은 금속성 프레임워크와 같이 편극성이 높은 시스템에서 비국소적 밀도 재분배를 포착하는 데 필수적인 장거리 등변(Long-Distance Equivariants, LODE) 특징량을 포함할 수 있게 합니다.

• 소프트웨어 아키텍처: SALTED는 데이터셋 준비, 모델 훈련, 예측의 3단계 워크플로우로 구성된 오픈 소스 파이썬 패키지입니다. 이 프로그램은 주요 전자 구조 코드(CP2K, FHI-aims, PySCF)와 인터페이스하여 훈련 데이터를 통합합니다. 워크플로우는 체크포인팅, 기술자 수축(descriptor contraction) 및 헤시안(Hessian) 구성을 위한 MPI 병렬화, 성능을 위한 Numba 컴파일 커널을 갖추어 고성능 컴퓨팅(HPC) 환경에 최적화되어 설계되었습니다.

주요 기여

1. 오픈 소스 프레임워크: SALTED는 제1원리 데이터로부터 전자 밀도 및 그 선형 응답의 ML 모델을 구축하기 위한 실용적이고 확장 가능한 프레임워크를 제공합니다.
2. 상호 운용성: CP2K, FHI-aims, PySCF와 같은 기존 전자 구조 패키지와 원활하게 통합되어, 연구자들이 코드를 변경하지 않고도 기존의 워크플로우와 설정을 그대로 활용할 수 있게 합니다.
3. 응답 특성: 본 소프트웨어는 전기장에 대한 밀도 응답 예측을 독자적으로 지원하여, 편극도 텐서(polarizability tensors) 및 편극 벡터(polarization vectors)의 계산을 가능하게 합니다.
4. 소규모 데이터 영역에서의 효율성: 대칭 적응형 커널을 갖춘 GPR을 활용함으로써, 데이터 집약적인 신경망 구조에 비해 훨씬 적은 훈련 포인트만으로도 높은 정확도를 달연합니다.

결과 및 응용
본 논문은 SALTED가 계산 워크플로우에 통합되어 성공적으로 적용된 몇 가지 사례를 강조합니다:

• QM/MM 시뮬레이션: 금속 전극에서의 전하 밀도 응답을 예측함으로써, 모델 이온 커패시터에 대한 DFT 수준의 정전기력을 계산하는 속도를 약 $10^3$배 향상시켰습니다.
• 대규모 전자 구조: 예측된 밀도를 단일 코쇼니-함밀토니안 대각화(single Kohn-Sham Hamiltonian diagonalization)의 입력값으로 사용하여, 극도로 거대한 슈퍼셀을 가진 뒤틀린 이중층 모아레(twisted bilayer Moiré) 물질의 전자적 특성을 연구했습니다.
• 물성 계산: 쿨롱 힘, 편극 벡터 및 편극도 텐서의 정확한 평가를 용이하게 합니다.
• 결정학: 예측된 RI 밀도 계수는 X선 및 전자 회절 데이터로부터의 결정 구조 정밀화(refinement)에 직접 적용될 수 있습니다.

의의
SALTED는 물리적으로 의미 있는 관측량에 대한 접근성을 유지하면서 전자 구조 계산을 가속화하는 중요한 진전을 나타냅니다. 전자 밀도를 직접 예측함으로써, 이 방법은 DFT 비용의 아주 작은 부분만으로 수많은 다운스트림 재료 물성을 계산할 수 있는 경로를 제공합니다. 이 소프트웨어는 재현 가능한 연구를 지원하도록 설계되었으며, 머신러닝과 멀티스케일 시뮬레이션 도구 사이의 가교 역할을 하여, 효율적인 예측을 원하는 사용자 및 방법론 확장을 원하는 개발자 모두를 만족시키는 다재다능한 도구입니다. 분자 및 응축상 시스템을 모두 다룰 수 있는 능력과 표준 전자 구조 코드와의 호환성을 바탕으로, SALTED는 계산 화학 및 재료 과학 커뮤니티에 범용적인 도구가 될 것입니다.