🔬 materials science

AI-Assisted Identification of Magnetic Orders and Skyrmions

본 논문은 구조적, 조성적 및 전자적 기술자를 활용하여 2차원 물질의 자기 질서를 정확하게 분류하고 자화량을 예측함으로써, 스핀트로닉스 응용을 위한 후보 물질의 효율적인 스크리닝과 스카이르미온 유사 특징의 식별을 가능하게 하는 머신러닝 프레임워크를 제시한다.

원저자: Haowen Yang, Sophia Huerta, Yingying Wu

게시일 2026-09-29

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Haowen Yang, Sophia Huerta, Yingying Wu

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

컴퓨터 속의 작은 자석들이 전기가 아닌, 자기장의 부드러운 밀어냄에 의해 뒤집히고 그 과정에서 에너지를 거의 소비하지 않는 세상을 상상해 보십시오. 이것이 바로 전자의 전하가 아닌 고유한 '스핀'을 이용해 정보를 저장하고 처리하고자 하는 분야인 스핀트로닉스(spintronics)가 약속하는 미래입니다. 이 기술이 작동하기 위해서는 특이하고 이색적인 자기 패턴을 품을 수 있는 재료가 필요합니다. 그중 가장 갈망되는 것은 스카이뮨(skyrmions)입니다. 이는 매우 안정적이면서도 아주 적은 에너지로 움직일 수 있는, 작게 소용돌이치는 자기 매듭입니다. 이러한 재료를 찾는 것은 마치 건초더미에서 바늘을 찾는 것과 같지만, 그 건초더미는 수백만 가지의 서로 다른 화학적 조합으로 이루어져 있고, 바늘은 오직 가장 극한의 조건에서만 그 비밀을 드러내는 특정한 원자 배열입니다. 전통적으로 이러한 재료를 찾는 일은 모든 개별 전자의 거동을 계산하는 느리고 비용이 많이 드는 컴퓨터 시뮬레이션에 의존해 왔으며, 이는 방대한 재료의 우주를 전수 조사하기에는 너무 많은 시간이 걸리는 과정입니다.

플로리다 대학교의 연구진은 이제 이 탐색 속도를 높이기 위해 새로운 종류의 디지털 현미경을 구축했습니다. 모든 전자를 시뮬레이션하는 대신, 그들은 인공지능이 재료의 화학적 레시피와 결정 구조를 보고 자기 재료의 지문을 인식하도록 훈련시켰습니다. 연구진은 이 문제를 해결하기 위해 두 가지 별개의 AI 도구를 개발했습니다. 첫 번째는 분류기 역할을 하며, 재료가 모든 작은 원자 자석이 같은 방향을 향하는 강자성(ferromagnetic)인지, 아니면 자석들이 서로 반대 방향을 향해 상쇄되는 반강자성(antiferromagnetic)인지를 빠르게 결정합니다. 두 번째 도구는 측정기 역할을 하며, 주어진 재료의 자기 강도가 정확히 어느 정도일지를 예측합니다. 이 도구들을 사용하여 연구진은 13만 개 이상의 재료가 담긴 방대한 데이터베이스를 훑어내며, 이전에 간과되었거나 잘못 분류되었던 수천 개의 유망한 후보들을 식별해 냈습니다.

여정은 하나의 과제로부터 시작되었습니다: 기존 과학 데이터베이스에 있는 데이터는 종로종종 지저분하다는 점이었습니다. 데이터베이스에는 자기 상태에 대한 라벨이 포함되어 있었지만, 이 라벨들은 때때로 재료의 최종적인 안정 상태가 아니라 컴퓨터의 초기 추측에 기반한 것이었습니다. 이를 해결하기 위해 연구진은 각 재료의 진정한 자기 상태를 재구성하기 위한 새로운 규칙 세트를 작성했습니다. 그들은 결정 구조 내 개별 원자의 미세한 자기 모멘트를 살펴보고, 이들이 균형을 이루고 있는지 혹은 불균형한지, 그리고 정렬되어 있는지 혹은 대립하고 있는지를 확인했습니다. 그들은 자신들의 결론이 단순한 계산 방법의 우연이 아니라 견고하다는 것을 보장하기 위해 다양한 수치적 임계값을 적용하여 이 규칙들을 테스트했습니다. 이러한 세심한 정제 과정을 통해 연구진은 재료를 비자성, 강자성, 반강자성, 페리자성(ferrimagnetic)의 명확한 범주로 구분하는 신뢰할 수 있는 훈련 세트를 구축할 수 있었습니다.

깨끗한 데이터셋을 손에 넣은 후, 팀은 첫 번째 AI 모델인 강자성체와 반강자성체를 구별하는 분류기에 착수했습니다. 놀랍게도, 연구진은 이 모델에 재료의 구조와 조성, 즉 어떤 원자들이 존재하고 어떻게 배열되어 있는지, 그리고 결정 격자의 기하학적 형태에 대한 정보만을 입력했습니다. 연구진은 AI가 자기성에 대한 직접적인 정보 없이도 재료의 형태와 자기 거동 사이의 숨겨로 된 연결 고리를 학습하도록 의도적으로 배제했습니다. AI는 원자 간의 간격 방식과 특정 원소들이 스핀을 정렬시킬지 혹은 상쇄시킬지를 결정하는 미묘한 단서들을 학습했습니다. 한 번도 본 적 없는 재료 세트로 테스트했을 때, 이 모델은 거의 94%의 사례에서 자기 질서를 정확하게 식별해 냈습니다. 특히 이 모델은 찾기 어렵지만 미래의 에너지 효율적인 장치에 필수적인 희귀한 반강자성 재료를 찾아내는 데 탁로 뛰어난 성능을 보였습니다.

두 번째 과제는 더 복잡했습니다. 바로 자기의 정확한 강도를 예측하는 것이었습니다. 첫 번째 과제가 단순한 예/아니오 질문이었다면, 이 작업은 AI가 연속적인 숫자를 예측해야 했습니다. 이 데이터는 대부분의 재료는 자기성이 약한 반면 일부는 극도로 강한 자기성을 띠고 있어 분포가 한쪽으로 치우쳐 있다는 점에서 까다로웠습니다. 이를 처리하기 위해 연구진은 데이터를 변환하고, 고차원 데이터에서 복잡한 패턴을 찾을 수 있는 특수한 유형의 신경망인 딥러닝 모델을 사용했습니다. 이 모델에는 재료의 구조와 조성뿐만 아니라 전자 밴드(electronic bands)에 대한 세부 정보와 원래 컴퓨터 시뮬레이션에 사용된 초기 설정값까지 입력되었습니다. 그 결과, 평균 오차가 공식 단위당 자기 모멘트 1 미만인 매우 정확한 예측기를 얻었습니다. 이러한 정밀도는 모델이 재료의 순위를 신뢰성 있게 매길 수 있음을 의미하며, 과학자들이 실험실에서 어떤 재료를 연구할 가치가 있는지 결정하는 데 도움을 줍니다.

연구진은 자신들의 발견이 단순히 화면 위의 숫자가 아님을 증명하기 위해 한 단계 더 나아가, $Fe_3GaTe_2$ 라고 알려진 유망한 후보 물질의 실제 자기 텍스처를 시뮬레이션했습니다. 그들은 전자가 재료의 얇은 단면을 통과하는 방식을 모방하는 기술을 사용하여 자기장의 이미지를 생성했습니다. 고급 이미지 처리 필터를 적용함으로써, 연구진은 자기 상(magnetic phase)을 재구성하고 재료 내부의 소용돌이치는 패턴을 시각화할 수 있었습니다. 이 시뮬레이션은 스카이뮨과 유사한 영역을 포함한 복잡한 자기 도메인 경관을 드러냈습니다. 이 단계는 AI가 식별한 재료들이 단순히 통계적으로 자기성을 띨 가능성이 높은 것뿐만 아니라, 차세대 스핀트로닉스 응용 분야에 필요한 복잡한 위상 구조를 수용할 수 있는 능력이 있음을 확인시켜 주었습니다.

이 연구는 신소재 발견 방식의 중대한 변화를 나타냅니다. 강력한 머신러닝과 엄격한 데이터 정제를 결합함으로써, 연구진은 전통적인 방식보다 훨씬 짧은 시간 안에 방대한 화학적 공간을 스크리닝할 수 있는 프레임워크를 구축했습니다. 이 접근법은 상세한 물리적 시뮬레이션이나 실험의 필요성을 대체하는 것이 아니라, 수백만 가지의 가능성을 관리 가능한 수준의 고순위 후보 목록으로 좁혀주는 매우 효과적인 필터 역할을 합니다. 이 모델들의 성공은 자기 거동의 비밀이 재료의 기하학적 구조와 화학 속에 인코딩되어 있으며, 인간의 눈에는 보이지 않는 패턴을 볼 수 있는 알고리즘에 의해 해독되기를 기다리고 있음을 시사합니다. 이 분야가 앞으로 나아감에 따라, 이 방법은 미래의 효율적이고 고속인 전자 기기를 구동할 견고한 상온 자기 재료를 발견하는 명확한 경로를 제시합니다.

기술 요약: 자기 질서 및 스카이르미온 식별을 위한 AI 보조 기술

문제 정의

강력하고 고온에서 작동하는 2차원(2D) 반데르발스 반강자성체(AFM) 및 위상 자기 상태(스카이르미온 등)의 발견은 에너지 효율적인 스핀트로닉스, 뉴로모픽 컴퓨팅, 양자 기술에 있어 매우 중요하다. 그러나 이러한 물질을 식별하는 것은 전통적인 밀도 범함수 이론(DFT) 스크리닝의 높은 계산 비용과, 구조 데이터만으로는 복잡한 자기 질서(예: AFM 대 강자성(FM) 또는 페리자성(FiM))를 구별하기 어렵다는 점 때문에 여전히 도전적인 과제이다. 또한, 기존 데이터베이스는 실제 자기 기저 상태나 자기 부격자 간의 균형을 정확하게 반영하지 못하는 범주형 자기 라벨에 의존하는 경우가 많다. 본 연구는 모든 후보 물질에 대해 소모적인 제일원리 계산을 수행하지 않고도 특정 자기 정렬 유형과 정량적 자화 값을 스크리닝할 수 있는 효율적인 머신러닝(ML) 기반 프레임워크의 필요성을 해결하고자 한다.

방법론

1. 데이터셋 큐레이션 및 자기 상태 재구성

저자들은 Materials Project(초기 항목 271,325개)의 데이터를 활용하였으나, 데이터베이스의 범주형 자기 라벨을 직접적인 정답(ground truth)으로 사용하지 않았다. 대신, 물리적 정확성을 확보하기 위해 사이트별 DFT 자기 모멘트(magmom)로부터 자기 상태를 재구성하였다.

재구성 로직: 연구팀은 모멘트 임계값( $m_{th} = 0.20 \, \mu_B$ )을 기준으로 활성 자기 사이트를 정의하였다. 이들은 절대 모멘트( $M_{abs}$ ), 순 모멘트( $M_{net}$ ), 그리고 정규화된 정렬 파라미터( $A$ )와 부격자 균형( $B$ )을 계산하였다.
라벨링 기준:
- AFM: $A \le 0.05$ (높은 보상) 및 $B \ge 0.90$ (균형 잡힌 부격자)를 요구함.
- FM: 모든 활성 모멘트가 한 방향으로 정렬됨.
- FiM: 반대 방향으로 정렬된 부격자들이 존재하며 상당한 불균형을 보임.
- NM: 활성 사이트가 없음.
강건성 검증: 수치적 컷오프에 대한 민감도를 피하기 위해 15가지 임계값( $m_{th}$ 및 $A_{max}$ ) 조합에 대해 라벨링을 테스트하였다. 물질은 15개 중 최소 12개 이상의 경우에서 일관된 할당을 보일 때만 해당 라벨을 유지하였다 ( $R \ge 0.80$ ).
데이터 복구: 최종 작업 수준의 모멘트가 누락된 물질들을 위해, 알려진 AFM 및 FiM 후보 물질의 구조로부터 사이트 모멘트를 추출하는 표적 복구 프로세스를 수행하여, 견고한 AFM 데이터셋을 121개에서 3,485개로 크게 확장하였다.
최종 데이터셋: 큐레이션된 데이터셋은 분류 작업을 위해 21,789개의 물질(FM 18,304개, AFM 3,485개)을 포함하였다.

2. 자기 질서 분류 (FM vs. AFM)

입력 특징: 엄격하게 구조적, 조성적, 원소적 특성(예: 격자 상수, 배위수, 조성 엔트로피, 원소 분율)으로부터 유도된 136개의 고정 길이 기술자를 사용하였다. 데이터 누출(data leakage)을 방지하기 위해 명시적인 자기 기술자(예: 자기 모멘트, 스핀 편극)는 입력에 포함하지 않았다.
모델: LightGBM 그래디언트 부스팅 결정 트리 분류기를 사용하였다.
검증 전략: 화학적 유사 물질이 훈련 및 테스트 세트에 동시에 등장하여 발생하는 화학적 누출(chemical leakage)을 방지하기 위해 화학 시스템별로 그룹화된 5-겹 교차 검증(five-fold cross-validation)을 실시하였다.
최적화: 하이퍼파라미터는 Optuna를 사용하여 튜닝하였다. 클래스 불균형을 처리하기 위해 AFM 분류를 위한 결정 임계값을 0.318로 최적화하였다.

3. 자화 값 예측 (회귀)

입력 특징: 조성, 구조, 전자 밴드 구조(밴드 갭, 페르미 준위 근처의 DOS), 계산 메타데이터(초기 자기 모멘트, Hubbard-U, 계산 유형)를 포함하는 더 넓은 범위의 464개 원시 기술자(인코딩 후 1,264개로 확장)를 사용하였다. 최종 자기 모멘트는 명시적으로 제외되었다.
대상(Target): 화학식 단위당 정규화된 총 자화량( $\mu_B$ /f.u.)이며, 이는 매우 오른쪽으로 치우친(right-skewed) 분포를 보였다.
전처리:
- 대상 변환: 동적 범위를 압축하기 위해 RobustLog 변환( $y' = \log(1+y)$ )을 적용하였다.
- 가중치 부여: 훈련 과정에서 고자화 샘플의 기여도를 높이기 위해 크기 의존적 가중치 체계를 사용하였다.
모델: 세 개의 잔차 블록(residual blocks)을 가진 잔차 다층 퍼셉트론(MLP)을 사용하였으며, 가중치가 적용된 Smooth-L1 손실 함수로 훈련하였다.
앙상블: 서로 다른 무작위 시드(42, 137, 2026)로 훈련된 세 개의 모델을 평균하여 최종 예측기를 형성하였다.

4. 자기 이미지 프로세싱 및 스카이르미온 식별

시뮬레이션: 스카이르미온과 스트라이프 도메인을 포함하는 $Fe_3GaTe_2$ 의 시뮬레이션된 로런츠 투과 전자 현미경(LTEM) 이미지를 MuMax3를 사용하여 생성하였다.
위상 재구성: 단일 이미지 강도 전달 방정식(SITIE)을 사용하여 LTEM 이미지로부터 자기 위상 변화를 재구성하였다.
최적화: 노이즈를 필터링하기 위해 티코노프 정규화(Tikhonov regularization)를 적용하였다. 크레스트 신호 대 잡음비(SNR)를 최대화하는 컷오프 주파수( $q_c$ )를 최적화하여, $q_c = 0.016 \, nm^{-1}$ 가 최적임을 확인하였다.
분석: 이미지의 HSV 색 공간을 3D 벡터장으로 매핑하여 텍스처 분석을 수행하기 위해 경량 CNN(TinyCNN)을 제안하였다.

주요 결과

분류 성능

화학적으로 구별되는 격리된 테스트 세트(4,357개 물질)에 대한 결과:

균형 정확도(Balanced Accuracy): 93.6%.
AFM 클래스 성능:
- 정밀도(Precision): 88.4%
- 재현율(Recall): 89.5%
- F1 스코어: 89.0%
- PR-AUC: 0.955
관찰 사항: 모델은 오직 구조 및 조성 데이터만을 사용하여 AFM과 FM 구성을 성공적으로 구별하였으며, 이는 이러한 특성들이 자기 교환 경로에 대한 충분한 정보를 인코딩하고 있음을 입증한다.

회귀 성능

동일한 격리된 테스트 세트에 대한 결과:

평균 절대 오차 (MAE): 0.686 $\mu_B$ /f.u.
제곱 평균 제곱근 오차 (RMSE): 1.769 $\mu_B$ /f.u.
결정 계수 ( $R^2$ ): 0.905.
오차 분포: 오차는 저자화 물질(<0.5 $\mu_B$ /f.u., MAE $\approx$ 0.25)에서 가장 낮았으며, 고자화 물질(>20 $\mu_B$ /f.u., MAE $\approx$ 3.7)에서 증가하였다. 이는 훈련 데이터 내 고모멘트 샘플의 희소성을 반영한다.

이미지 분석

최적화된 티코노프 필터링을 적용한 SITIE 분석은 시뮬레이션된 LTEM 이미지로부터 자기 위상 텍스처를 성공적으로 재구성하였으며, 향상된 공간 대비와 감소된 노이즈를 통해 미로 형태 및 스카이르미온 형태의 특징을 드러냈다.

의의 및 주장

본 논문은 AFM 및 위상 스핀트로닉스 응용 분야를 위한 후보 물질을 우선순위화하는 효율적인 고처리량 스크리닝 프레임워크를 제공한다고 주장한다.

데이터 중심의 엄밀성: 데이터베이스의 범주형 라벨 대신 사이트별 모멘트를 통해 자기 라벨을 재구성함으로써, 저자들은 물리적으로 더 견고한 데이터셋을 구축하였고, 특히 소수 클래스인 AFM의 신뢰성을 높였다.
구조-물성 상관관계: 분류 결과는 비자기적 구조 및 조성 기술자만을 사용하여 자기 질서(FM vs. AFM)를 높은 정확도로 예측할 수 있음을 보여주며, 이는 자기 교환의 "통계적 시그니처"가 결정 기하학 및 화학적 조성에 내재되어 있음을 시사한다.
정량적 예측: 회귀 모델은 자화 강도에 대한 정량적 추정치를 제공하여, 연구자들이 단순히 질서 유형뿐만 아니라 자기 크기에 따라 물질을 필터링할 수 있게 한다.
위상 식별: ML과 이미지 프로세싱 기술(SITIE, 티코노프 필터링)의 통합은 시뮬레이션 또는 실험적 이미징 데이터로부터 스카이르미온과 같은 복잡한 스핀 텍스처를 식별하고 재구성하는 경로를 제공한다.

저자들은 이 작업을 방대한 2D 물질 화학 공간을 좁혀주는 "1단계 스크리닝 프레임워크"로 정의하며, 이를 통해 이후의 더 비싼 제일원리 계산이나 실험적 합성에 필요한 계산 자원을 줄일 수 있다고 설명한다. 또한, 현재 모델은 0 K에서의 기저 상태 특성을 예측하며, 유한 온도 전이(퀴리 온도 또는 닐 온도)를 아직 고려하지 않았음을 명시하며 이를 향후 연구 과제로 제시하였다.