Development of a Physics-Informed Neural Framework, MEOWN, for Rapid Prediction of Muon Stopping Sites in Crystalline Materials, for understanding Quantum Magnet employing Muon Spectroscopy

기술 요약: 뮤온 정지 위치 예측을 위한 MEOWN 프레임워크

문제 정의
뮤온 스핀 회전/이완($\mu$SR)은 양자 물질의 자기 질서, 스핀 역학 및 초전도성을 조사하기 위한 핵심적인 미시적 프로브이다. 그러나 $\mu$SR 데이터의 정량적 해석은 결정 격자 내에서의 평형 뮤온 정지 위치를 식별하는 것에 근본적으로 의존한다. 전통적으로 이러한 식별은 밀도 범함수 이론(DFT) 기반의 구조 완화(structural relaxation)를 통해 수행된다. 이 방식은 정확하지만, 특히 대규모 슈퍼셀, 저대칭 결정 또는 강상관 시스템의 경우 계산량이 매우 많고 시간이 오래 걸리며 상당한 전문 지식을 요구한다. 기존의 소프트웨어 도구들(예: MuESR, muFinder)은 이러한 높은 계산 비용을 그대로 물려받아, 신속한 데이터 분석 및 고처리량 재료 스크리닝의 활용도를 제한하고 있다.

방법론: MEOWN 프레임워크
저자들은 계산 비용을 획기적으로 줄이면서 에너지적으로 유리한 뮤온 정지 위치를 예측하도록 설계된 물리 정보 기반 머신러닝 프레임워크인 MEOWN(Muon Engine for Optimized Weighted Networks)을 소개한다. 이 프레임워크는 다음과 같은 구성 요소를 통해 1차 원리 물리(first-principles physics)와 경량 딥러너키 아키텍처를 통합한다:

1. 물리 정보 기반 입력 표현:
   단순히 기하학적 기술자에 의존하는 대신, MEOWN은 편극성 비섭동 정전기 퍼텐셜(P-UEP) 모델로부터 유도된 네 가지 물리 기반 입력 채널을 포함하는 3D 복셀 그리드(48 $\times$ 48 $\times$ 48)를 구축한다:

   • 음의 총 상호작용 에너지 ($-V_{Total}$)
   • 이온 핵으로부터의 쿨롱 퍼텐셜 ($1/q_i r_i$)
   • 편극 퍼텐셜 ($V_{Pol}$)
   • 최소 거리 필드 ($d_{min}$)
     P-UEP 모델은 하트리/교환-상관 퍼텐셜, 토마스-페르미 전자 차폐, Tang-Toennies 편극 감쇠, Born-Mayer 중첩 반발력 및 양자 영점 에너지(ZPE) 보정을 명시적으로 포함한다.

2. 신경망 아키텍처:
   5,000개 미만의 학습 가능한 파라미터를 가진 경량 3D 합성곱 신경망(3D-CNN)이 입력 텐서를 처리한다. 이 네트워크는 배치 정규화(batch normalization)와 ReLU 활성화 함수를 갖춘 4개의 연속적인 합성곱 층(채널 진행: 4 $\to$ 16 $\to$ 32 $\to$ 16 $\to$ 1)으로 구성된다. CNN은 안정적인 뮤온 사이트를 수용할 가능성이 높은 영역을 나타내는 3D 확률 지도를 출력한다.

3. 하이브리드 시딩 및 최적화:
   후보 사이트는 다음의 다단계 전략을 통해 생성된다:

   • CNN 확률 극대값: 네트워크로부터 도출된 고확률 영역.
   • 물리 가이드 시드: 고대칭 격자 간 위치(체심, 면심 등) 및 화학적 정보가 반영된 시드(예: 플루오라이드의 F–F 브릿지와 같이 전기음성도가 높은 음이온 근처).
     이 후보들은 결정학적 대칭성 및 최소 거리 기준에 의해 필터링된 후, P-UEP 퍼텐셜 에너지 표면에서의 L-BFGS-B 최적화를 통해 정밀화된다.

4. 대칭성 제약:
   프레임워크는 (spglib 라이브러리를 통해) 결정학적 대칭성을 명시적으로 활용하여 탐색 공간을 줄인다. 에너지 구배(gradient)와 헤시안 행렬(Hessian matrix)은 호스트 결정의 공간군과 일치하도록 대칭 허용 하위 공간으로 투영된다.

5. 학습 및 구현:
   모델은 타겟 퍼텐셜이 P-UEP 물리 엔진에 의해 직접 생성되는 자기 지도 학습(self-supervised approach) 방식을 사용하여 학습되며, 이를 통해 수동으로 라벨링된 데이터셋이 필요하지 않다. 손실 함수는 CNN이 예측한 퍼텐셜과 물리 엔진 퍼텐셜 사이의 평균 제곱 오차(MSE)를 최소화한다. 소프트웨어는 신경망을 위한 PyTorch와 물리 엔진을 위한 NumPy/SciPy를 사용하여 Python으로 구현되었으며, CPU와 GPU 실행을 모두 지원한다.

주요 기여

• MEOWN 개발: P-UEP 물리 모델과 3D-CNN을 결합하여 뮤온 정지 위치를 예측하는 범용 소프트웨어 프레임워크를 개발하였다.
• 물리 정보 기반 학습: 정전기적, 차폐, 편극 및 양자 역학적 상호작용을 학습 워크플로우에 명시적으로 임베딩함으로써, 블랙박스 데이터 피팅에 의존하지 않고 물리적 해석 가능성과 일관성을 확보하였다.
• 계산 효율성: 본 프레임워크는 기존 DFT 방법 대비 상당한 속도 향상을 달enc하며, 표준 데스크톱 컴퓨터에서 몇 분 내에 전체 예측 워크플로우(CIF 입력부터 순위가 매겨진 사이트까지)를 완료한다.
• 자동화된 워크플로우: 사용자 정의 초기 위치 없이 결정 구조 정보 파일(CIF)만을 입력으로 사용하는 완전 자동화된 파이프라인을 제공한다.

결과 및 검증
본 프레임워크는 금속성 헬리마그넷인 MnSi와 이온성 플루오라이드인 CoF$_2$, CaF$_2$, LiF, NaF를 포함한 다양한 벤치마크 재료를 대상으로 검증되었다.

• 정확도: 예측된 정지 사이트, Wyckoff 위치 및 국부 쌍극자 자기장은 기존에 보고된 실험 데이터 및 DFT+$\mu$ 결과와 밀접한 일치성을 보였다.
  • CoF$_2$의 경우, MEOWN은 국부 쌍극자 자기장을 0.277 T로 예측하였으며, 이는 DFT+$\mu$ 값인 0.265 T(3.5% 편차) 및 실험값인 0.228 T와 유사하다.
  • MnSi의 경우, 분율 좌표 (0.55, 0.55, 0.55)에서의 사이트와 0.123 T의 자기장은 확립된 실험 및 이론적 결과와 일치하였다.
• 전이 가능성: 모델은 재료 특유의 피팅 파라미터 없이도 화학적으로 구별되는 시스템(금속성 vs 이온성) 전반에 걸쳐 성공적으로 일반화되었다.
• 속도: 벤치마크 재료에 대한 전체 과정이 몇 분 이내에 완료되었으며, 이는 반복적인 DFT 구조 완화에 통상적으로 소요되는 몇 시간 또는 며칠과 대조된다.

의의 및 주장
본 논문은 MEOWN을 완전히 자기 일관적인 제일 원리 계산의 대체재가 아니라, 계산 효율적인 중간 프레임워크로 포지셔닝한다. 주요 의의는 다음과 같다:

1. 신속한 스크리닝: 비용이 많이 드는 DFT 계산 이전에 물리적으로 타당한 뮤온 사이트를 신속하게 식별할 수 있게 하여, 고처리량 재료 스크리닝을 용이하게 한다.
2. 접근성: DFT 분석에 대한 전문 지식이 최소한으로 필요한 사용자 친화적인 도구를 제공하여, $\mu$SR 데이터 해석에 대한 접근성을 높인다.
3. 물리적 엄밀성: 머신러닝에 확립된 물리적 원칙을 임베딩하는 것이 과학적 엄밀성을 유지하면서도 해석 가능하고 견고하며 정확한 예측을 산출할 수 있음을 입증하였다.

저자들은 MEOWN이 계산 속도와 물리적 정확도 사이의 실용적인 균형을 제공하며, 자기적, 초전도성 및 복잡한 양자 재료를 연구하는 $\mu$SR 커뮤니티에 가치 있는 도구 역할을 한다고 결론짓는다.