새로운 재료를 설계하려는 여정에서 과학자들은 종종 밀도 범함수 이론(density functional theory)이라 불리는 강력하지만 계산 비용이 많이 드는 도구에 의존합니다. 이 방법은 가상 현미경 역할을 하며, 전자가 원자 주변에 어떻게 배치되는지를 계산하여 강도, 전도성 또는 열 전도 능력과 같은 재료의 특성을 결정합니다. 정확하기는 하지만, 이러한 계산은 너무 느려서 수천 개의 후보 구조를 테스트하는 데 몇 년이 걸릴 수 있습니다. 속도를 높이기 위해 연구자들은 인공지능, 특히 그래프 신경망(graph neural network)이라 알려진 유형의 모델로 눈을 돌렸습니다. 이 네트워크는 결정을 숫자의 격자가 아니라, 원자는 점으로, 원자 사이의 결합은 선으로 표현되는 연결의 지도로 취급합니다. 수천 개의 알려진 결정을 학습함으로써, 이 지도들은 순식간에 특성을 예측할 수 있습니다. 그러나 수년 동안 이러한 AI 모델들은 취약했습니다. 컴퓨터 하드웨어 업데이트 시 자주 깨지는 특수한 소프트웨어 라이브러리를 필요로 했고, 한 번에 단 한 가지 것만 예측할 수 있도록 제한되어 있어, 과학자들이 서로 다른 작업을 위해 별개의, 단절된 모델들을 실행해야만 했습니다.

한 연구팀은 이제 표준적이고 널리 사용되는 소프트웨어 구성 요소만을 사용하여 전체 시스템을 밑바닥부터 다시 구축함으로써 이러한 문제를 해결하는 ALIGNN 2.0이라는 새로운 통합 프레임워크를 도입했습니다. 이 새로운 접근 방식은 특수하고 유지 관리가 어려운 라이브러리의 필요성을 제거하여, 모델을 설치하고 최신 컴퓨터 칩에서 실행하기 더 쉽게 만들었습니다. 더 중요한 것은, 이 모델이 전체 워크플로우를 통합했다는 점입니다. 이제 단일 모델이 단순한 에너지와 같은 숫자부터 진동 스펙트럼이나 원자를 붙잡아 주는 힘과 같은 복잡한 형태에 이르기까지, 하나의 결정 구조로부터 방대한 양의 서로 다른 특성을 예측할 수 있습니다. 이를 통해 과학자들은 이전에는 완전히 다른 유형의 모델이 필요했던 작업인, 재료가 시간에 따라 어떻게 움직이고 변화하는지를 시뮬레이션할 수 있습니다. 연구자들은 정적인 특성을 예측하는 데는 특정 방식의 원자 연결이 가장 잘 작동하지만, 물리학 법칙을 어기지 않고 움직임을 시뮬레이션하기 위해서는 약간 다른 연결 방법이 필수적이라는 것을 발견했습니다. 이 두 가지를 모두 마스터함으로써, 새로운 시스템은 초전도체를 위한 수백만 개의 재료를 스크리닝하고, 가열될 때 어떻게 진동할지 예측하며, 심지어 아직 존재하지 않는 완전히 새로운 결정 구조를 생성할 수 있습니다.

이 성과의 핵심은 모델이 재료를 어떻게 "보는가"에 있습니다. 전통적인 모델은 종종 원자와 그들을 연결하는 직선만을 보지만, 이 새로운 시스템은 선 사이의 각도의 지도라는 두 번째 시각 층을 추가합니다. 이를 통해 AI는 결정의 3차원 기하학적 구조를 이해할 수 있으며, 이는 재료가 압력에 의해 어떻게 휘어지는지 또는 어떻게 전기를 전도하는지와 같은 특성을 예측하는 데 매우 중요합니다. 연구진은 이 새로운 프레임워크를 재료의 층을 벗겨내는 데 필요한 에너지를 예측하는 것부터 물질이 초전도체가 되는 온도를 계산하는 것까지 30가지의 서로 다른 작업에 대해 테스트했습니다. 30가지 작업 중 26가지 테스트에서 새 모델은 이전의 최고 버전들을 능가했으며, 압력을 가했을 때 전기를 생성하는 능력인 압전성(piezoelectricity)과 같은 복잡한 반응을 예측하는 데 있어 상당한 개선을 보여주었습니다. 또한 이 시스템은 훨씬 더 느린 전통적인 물리 시뮬레이션 결과와 일치하는, 재료가 흡수하거나 방출하는 빛의 전체 스펙트럼을 예측할 수 있음도 증명했습니다.

알려진 재료가 무엇을 할지 예측하는 것을 넘어, 연구진은 이 프레임워크가 새로운 재료를 발명하기 위해 역방향으로 작동할 수 있음을 입증했습니다. 원하는 화학 조성과 목표 특성(예: 특정 초전도 온도)을 모델에 입력하면, 시스템은 그러한 특성을 가질 가능성이 있는 후보 결정 구조 목록을 생성할 수 있습니다. 10만 개 이상의 잠재적 재료를 대상으로 한 테스트에서, 시스템은 알려진 고온 초전도체를 성공적으로 식별하고 그 행동을 높은 정확도로 예측했습니다. 심지어 시스템은 전자-포논 상호작용(electron-phonon interaction)의 전체 형태, 즉 전도성과 이해하는 데 필수적인 전자와 원자 진동 사이의 상호작용에 대한 상세한 지도를 예측하는 단계까지 나아갔습니다. 이러한 능력은 연구자들이 방대한 재료 데이터베이스를 스크리닝하고, 실제로 합성하기 전에 유망한 후보들을 찾아낼 수 있게 해줍니다.

이러한 통합적 접근 방식의 힘은 모델이 원자의 물리적 움직임을 어떻게 처리하는지를 볼 때 더욱 명확해집니다. 이전 모델들은 정적인 결정의 에너지는 예측할 수 있었지만, 결정이 움직이는 것을 시뮬레이션하라는 요청을 받으면 원자가 약간씩 이동함에 따라 예측값이 불규칙하게 튀기 때문에 실패하는 경우가 많았습니다. 그러나 새로운 ALIGNN 2.0 모델은 에너지를 보존하는 매끄럽고 연속적인 예측을 생성하여, 재료가 스트레스나 고온 하에서 어떻게 행동하는지에 대한 현실적인 시뮬레이션을 구동할 수 있게 합니다. 연구진은 실리콘과 다른 재료의 행동을 시뮬레이션하여 테스트하였으며, 모델이 장기간 동안 안정적으로 유지됨을 발견했는데, 이는 실제 장치를 설계하는 데 사용되는 모든 도구에 대한 중요한 요구 사항입니다. 이 안정성은 동일한 모델을 사용하여 구조를 가장 낮은 에너지 상태로 완화하고, 힘을 계산한 다음, 곧바로 그 힘을 사용하여 재료가 어떻게 진동하거나 열을 전도하는지 시뮬레이션할 수 있음을 의미하며, 이 모든 과정이 하나의 매끄러운 워크플로우 내에서 이루어집니다.

이 연구의 영향은 과학자들이 재료를 관찰하는 방식 자체로 확장됩니다. 연구진은 동일한 모델이 구조와 에너지뿐만 아니라, 전자 현미경에 나타날 상세한 이미지까지 예측할 수 있음을 보여주었습니다. 상온에서 원자가 어떻게 진동하는지를 계산함으로써, 시스템은 무거운 원자의 고해상도 이미지에서 보이는 흐릿하고 밝은 점들을 시뮬레이션할 수 있었으며, 이는 복잡한 물리 시뮬레이션 결과와 일치했습니다. 이는 모델이 구조를 예측하고, 그것이 현미경에서 어떻게 보일지 시뮬레이션한 다음, 그 시뮬레이션된 이미지를 사용하여 구조의 특성을 검증하는 폐쇄 루프(closed loop)를 생성합니다. 팀은 또한 이를 컴퓨터 메모리에 사용되는 자기 터널 접합(magnetic tunnel junctions)과 같은 복잡한 장치의 설계에도 적용하였으며, 여기서 모델은 서로 다른 재료의 여러 층이 쌓인 구조에서 자기적 및 전기적 행동을 성공적으로 예측했습니다.

연구의 가장 중요한 발견 중 하나는 모델에서 원자를 연결하는 최선의 방법이 수행하는 작업에 따라 달라진다는 사실입니다. 에너지나 밴드 갭과 같은 정적인 특성을 예측하기 위해서는 각 원자를 8개의 인접한 이웃과 연결하는 방법이 주변 구조에 대한 더 넓은 시야를 제공하여 가장 효과적이었습니다. 그러나 움직임과 힘을 시뮬레이션하기 위해 이 방법을 사용하면, 원자가 움직임에 따라 이웃 목록이 갑자기 변하여 에너지의 비현실적인 도약을 일으키는 문제를 발생시킵니다. 연구진은 고정된 거리에 기반한 방법을 사용하면, 즉 원자들이 특정 범위 내에 있을 때 연결된다면, 정확한 움직임 시뮬레이션을 위한 매끄러운 전환을 제공한다는 것을 발견했습니다. 이 거리 기반 방법은 정적 예측에서는 약간 덜 정확했지만, 두 가지 작업을 동시에 처리하면서도 깨지지 않는 유일한 방법이었습니다. 이러한 트레이드오프는 재료의 기하학적 구조를 표현하는 방식의 선택이 학습 알고리즘 자체만큼 중요하다는 핵심적인 통찰을 강조합니다.

연구진은 또한 주요 구조와 별개로 결합 각도에 대한 추가적인 정보 층을 더하는 것이 새로운 결정을 생성하는 모델의 능력을 향상시킬 수 있는지 탐구했습니다. 그들은 이 추가 정보가 모델이 각도의 기하학적 구조를 학습하는 데는 도움이 되지만, 메인 구조 지도와 결합되었을 때 최종 결과를 일관되게 개선하지는 못한다는 것을 발견했습니다. 어떤 경우에는 두 정보원이 서로 충돌하기도 했는데, 이는 메인 지도가 이미 각도에 대한 충분한 세부 정보를 포함하고 있음을 시사합니다. 이러한 다양한 구성 요소에 대한 신중한 테스트는 최종 모델이 단순히 특징들의 집합이 아니라, 모든 부분이 명확한 목적을 수행하는 효율적인 시스템임을 보장합니다. 그 결과, 이 모델은 더 정확할 뿐만 아니라 더 효율적이며, 표준 하드웨어에서 실행되고 수십만 개의 원자를 가진 시스템으로 확장될 수 있습니다.

결국, 이 작업은 특수 목적의 단일 도구를 만드는 것에서서 다재다능한 올인원 프레임워크를 만드는 것으로의 전환을 의미합니다. 특성, 힘, 스펙트럼의 예측을 통합하고 새로운 구조의 생성을 가능하게 함으로써, 연구진은 가능한 재료의 광활한 풍경을 탐구할 수 있는 강력한 새로운 방법을 제공했습니다. 이 시스템은 이미 알려진 재료와 가상의 재료가 포함된 대규모 데이터베이스를 스크리닝하는 데 사용되고 있으며, 초전도체, 배터리 및 기타 기술을 위한 후보들을 식별하고 있습니다. 모델이 표준 소프트웨어로 구축되어 최신 컴퓨터 칩에서 실행될 수 있기 때문에, 다양한 과학자들이 접근할 수 있으며, 이는 세계의 가장 시급한 에너지 및 기술 과제들을 해결할 수 있는 새로운 재료의 발견을 가속화할 잠재력을 가지고 있습니다. 재료가 어떻게 행동하고, 어떻게 진동하며, 심지어 현미경 아래에서 어떻게 보일지를 단일한 통합 모델로부터 예측할 수 있는 능력은 계산 재료 발견 분야의 중요한 진전을 나타냅니다.