Origins of Universal Machine Learning Force-Field Errors in Multicomponent Materials

재료 과학자들은 무엇으로 만들어졌는지만 알면 그 재료가 어떻게 행동할지 예측하는 방법을 오랫동안 찾아왔다. 한 종류의 원자를 다른 원자로 바꾸거나, 단일 결정 안에 여러 가지 서로 다른 원소들을 섞음으로써, 그들은 강도, 전도성, 또는 배터리의 충전 능력과 같은 특성을 조절할 수 있다. '조성 설계(compositional design)'라고 알려진 이 과정은 제트 엔진부터 의료용 임플란트에 이르기까지 현대적 혁신의 원동력이다. 이러한 새로운 아이디어를 테스트하기 위해 연구자들은 가상 실험실 역할을 하는 강력한 컴퓨터 시뮬레이션에 의존한다. 양자 역학의 법칙에 기반한 가장 정확한 시뮬레이션들은 믿을 수 없을 정도로 정밀하지만, 너무 느려서 한 번에 몇 개의 원자만을 다룰 수 있다. 복잡한 다성분 재료를 연구하기 위해 과학자들은 새로운 도구인 '머신러닝 포스 필드(machine learning force fields)'로 눈을 돌렸다. 이것들은 방대한 원자 데이터 라이브러리를 학습한 인공지능 모델이다. 이들은 원자들이 서로 밀고 당기는 규칙을 학습하여, 수백만 개의 원자가 가진 행동을 단 몇 초 만에 예측할 수 있게 해준다. 희망적인 것은 이 모델들이 보편적인 번역기 역할을 하여, 단순한 재료로부터 배운 것을 실제 공학 현장에서 발견되는 복잡하고 무질서한 혼합물에 적용할 수 있다는 점이다.

그러나 결정적인 질문이 해결되지 않은 채 남아 있었다. 과연 이 보편적인 모델들이 여러 가지 서로 다른 원소들이 섞여 만들어낸 기묘하고 북적이는 이웃 동네를 진정으로 이해하고 있는가 하는 점이다. 중국 연구팀의 새로운 연구는 가장 진보된 11개의 머신러닝 모델을 약 7,600개의 복잡한 원자 구성으로 이루어진 거대하고 맞춤 제작된 벤치마크를 통해 시험대에 올렸다. 이 구성들은 엔지니어들이 현재 구축하려고 노력 중인 고엔트로피 합금과 혼합 음이온 재료를 모사하도록 설계되었다. 연구진은 이 모델들이 강력하기는 하지만, 원자들이 너무 가깝게 압착될 때, 즉 이러한 복잡한 혼합물에서 빈번하게 발생하는 상황에서 크게 어려움을 겪는다는 사실을 발견했다. 연구는 이 모델들이 단순히 무작위적인 실수를 저지르는 것이 아니라, 매우 구체적이고 예측 가능한 방식으로 실패하고 있음을 보여준다. 원자들이 압축될 때, 모델은 원자들이 서로 멀어질 때보다 거의 두 배나 더 틀린 힘을 예측한다. 더욱이, 연구는 힘을 예측하는 난이도가 어떤 특정 원소들이 관여하느냐에 따라 크게 달라지며, 특정 전이 금속들이 AI가 학습하기에 특히 까다로운 것으로 드러났다고 밝혔다.

이것이 왜 중요한지 이해하려면, 먼저 머신러닝 포스 필드가 실제로 무엇을 하는지 파악해야 한다. 사람들이 방 안에서 어떻게 움직일지 예측하는 상황을 상상해 보자. 만약 당신이 소수의 사람들이 직선으로 걷는 모습만 관찰해 왔다면, 수백 명의 사람들이 뒤엉켜 북적이는 혼란스러운 군중이 어떻게 행동할지 예측하는 데 어려움을 겪을 수 있다. 이와 유사하게, 이 AI 모델들은 수백만 개의 원자 스냅샷이 포함된 데이터 세트를 학습했지만, 그 스냅샷들은 대부분 재료가 가장 안정적인 형태를 찾아가거나 표준적인 진동을 겪는 상태에서 가져온 것들이다. 이 모델들은 과학자들이 새로운 재료를 만들기 위해 의도적으로 여러 원소를 섞었을 때 만들어지는 극단적이고 북적이며 화학적으로 다양한 환경을 거의 포함하지 않았다. 연구진은 이 간극을 메우기 위해 벤치마크를 구축했다. 그들은 적어도 다섯 가지 이상의 서로 다른 원소가 균형 잡힌 비율로 섞인 수천 개의 구조를 생성하여, 모델들이 이전에 보았던 그 어떤 것보다 훨씬 더 북적이고 다양한 화학적 풍경을 만들어냈다. 그런 다음 11개의 선도적인 AI 모델에게 이 구조들 내의 모든 원자에 작용하는 에너지와 힘을 예측하도록 요청하고, 그 결과를 양자 역학 계산이라는 황금 표준(gold standard)과 비교했다.

결과는 시사하는 바가 컸다. 모델들은 구조의 전체적인 에너지에 대해서는 상당히 양호한 성능을 보였으나, 개별 원자에 작용하는 힘에 대한 예측에서는 상당한 오류를 보였다. 연구진은 이러한 오류가 무작위로 퍼져 있는 것이 아님을 발견했다. 대신, 이들은 원자들의 국부적 기하 구조와 밀접하게 연결되어 있었다. 연구진이 원자 사이의 거리를 조사했을 때, 놀라운 비대칭성을 발견했다. 만약 어떤 원자가 모델이 학습 데이터에서 보았던 것보다 이웃으로부터 약간 더 멀리 떨어져 있다면 오류는 상대적으로 작게 유지되었다. 그러나 만약 원자가 이웃에게 더 가까이 밀려들어 압축된다면, 오류는 급격히 치솟았다. 실제로 동일한 거리 변화에 대해, 압축된 쪽에서의 힘 오류는 늘어난 쪽에서의 오류보다 1.8배에서 1.95배 더 컸다. 이는 모델들이 원자들이 이완되거나 당겨질 때의 규칙은 학습했지만, 꽉 짜여질 때의 가파르고 어려운 규칙은 학습하지 못했음을 시사한다.

이러한 방향성 편향은 원자 간 상호작용의 물리학에 뿌리를 두고 있다. 원자들이 서로 밀쳐질 때, 전자 구름은 서로를 엄청난 힘으로 밀어내며 가파른 에너지 벽을 형성한다. 본질적으로 수학적 곡선인 머신러닝 모델들은 이러한 행동을 포착하는 데 어려움을 겪는다. 연구는 예측된 상호작용 곡선의 곡률을 살펴봄으로써 이를 확인했다. 모델들은 확장되는 쪽의 완만한 경사에 비해 압축되는 쪽에서 일관되게 훨씬 더 날카롭고 굴곡진 반응을 보여주었다. 이는 설령 모델이 특정 유형의 원자 쌍을 이전에 본 적이 있다 하더라도, 그 쌍이 마주해본 적 없는 구성으로 압착된다면 여전히 실패할 수 있음을 의미한다. 문제는 화학적 환경에 의해 더욱 심화된다. 연구진은 힘을 예측하는 난이도가 관여하는 특정 원소의 정체에 따라서도 달라진다는 것을 발견했다. 철, 니오븴, 몰리브덴과 같은 특정 전이 금속들은 단순한 금속에 있든 복잡한 혼합물에 있든 관계없이, 모델이 제대로 맞히기 지속적으로 어려운 대상으로 나타났다. 이러한 어려움은 전자들이 움직임과 에너지 준위의 변화에 어떻게 반응하는지와 관련이 있으며, 이는 표준적인 수학적 기술로는 포착하기 어려운 미묘한 전자적 행동이다.

연구는 또한 더 복잡한 수학적 도구를 모델에 추가하는 것이 이러한 문제들을 해결할 수 있는지 테스트했다. 구체적으로, 그들은 원자 사이의 거리만을 보는 모델과 원자 그룹이 형성하는 각도까지 함께 보는 모델을 비교했다. 각도에 대한 세부 정보를 포함한 모델들은 성능이 유의미하게 향상되어, 까다로운 원소들에 대한 오류를 평균적으로 거의 40% 줄였다. 이는 복잡하고 북적이는 다원소 재료의 세계를 이해하기 위해서는 원자들이 얼마나 떨어져 있는지뿐만 아니라, 그들이 서로 어떻게 방향을 이루고 있는지도 보아야 한다는 것을 시사한다. 연구진은 단순히 더 많은 데이터를 수집하는 것만이 유일한 해결책이 아니라고 결론지었다. 대신, 데이터는 더 신중하게 선택되어야 한다. 미래의 훈련 세트는 이러한 고위험, 압축 환경과 가장 문제를 일으키는 까다로운 원소들을 구체적으로 겨냥해야 한다. 모델이 정확히 어디에서 왜 실패하는지를 이해함으로써, 과학자들은 이제 더 큰 확신과 정밀도를 가지고 차세대 첨단 재료를 설계할 수 있는 더 나은 도구를 구축할 수 있게 되었다.