Can end-to-end learning from raw electronic structure explain magnetic anisotropy?

단 몇 개의 원자만으로 아주 작고 강력한 자석을 만드는 것을 상상해 보십시오. 이러한 장치를 데이터 저장이나 양자 계산에 유용하게 사용하려면, 자석은 매우 고집스러워야 합니다. 즉, 외부의 어떤 압력에도 그 방향을 굳건히 유지해야 합니다. 이러한 고집스러움을 자기 이방성(magnetic anisotropy)이라고 부릅니다. 이것이 나침반 바늘이 자유롭게 회전하지 않고 북쪽을 가리키게 하는 이유입니다. 단일 원자의 미시 세계에서 이 성질은 전자들의 섬세하고 보이지 않는 춤에 달려 있습니다. 이 전자들은 특정한 에너지와 스핀을 가지고 있으며, 자석의 방향을 고정하는 방식으로 원자핵과 상호작용합니다. 새로운 맞춤형 원자 자석에 대해 이 '잠금'이 정확히 얼마나 강할지 예측하는 것은 매우 어렵습니다. 보통 모든 개별 원자에 대해 복잡한 방정식을 풀어내기 위해 거대한 슈퍼컴퓨터를 사용해야 하는데, 이 과정은 느리고 비용이 많이 듭니다.

최근 과학자들은 컴퓨터에게 머신러닝이라는 다른 접근 방식을 통해 이러한 자기적 잠금을 예측하도록 가르치려는 시도를 해왔습니다. 원자가 어떻게 행동하는지에 대한 미리 작성된 규칙을 컴퓨터에 주는 대신, 전자의 에너지 준위에 관한 가공되지 않은 데이터를 입력하여 컴퓨터가 스스로 패턴을 찾아내도록 하는 것입니다. 이 방법은 유연하고 빠르지만, 숨겨진 함정이 있습니다. 컴퓨터가 스스로 학습하기 때문에, 테스트 데이터에는 잘 작동하지만 실제 물리 법칙을 반영하지는 않는 지름길을 찾아낼 수도 있기 때문입니다. 서로 다른 두 개의 컴퓨터 모델이 모두 자기 강도를 완벽하게 예측할 수 있지만, 하나는 올바른 물리적 단서를 보고 있는 반면 다른 하나는 단순히 속임수를 암기하고 있을 수도 있습니다. 여기서 큰 의문은, 머신러닝 모델이 정답을 맞혔을 때 그것이 실제로 물리적 배경을 이해한 것인지, 아니면 그저 우연히 맞춘 것인지 하는 점입니다.

한 연구팀은 동일한 문제에 대해 두 가지 유형의 인공지능 모델을 테스트함으로써 이 미스터리를 해결하고자 했습니다. 그들은 모델들이 무거운 금속 원자 쌍이 탄소 시트 위에 놓여 있는 형태의 미세 자석으로부터 전자 에너지 준위와 자기 이방성 사이의 진정한 관계를 학습할 수 있는지 확인하고자 했습니다. 연구진은 단순히 모델에게 예측을 요구하는 데 그치지 않고, 모델이 데이터 내부에서 실제로 무엇을 "보고 있는지" 확인하기 위해 엄격한 테스트를 구축했습니다. 그들은 정보를 단어의 시퀀스처럼 처리하는 모델과 풍경을 스캔하는 카메라처럼 데이터를 스캔하는 모델을 비교했습니다. 두 모델 모두 각 에너지 준위에 전자가 얼마나 존재하는지를 설명하는 가공되지 않은 전자 데이터로 훈련되었습니다.

결과에 따르면 두 모델 모두 예측 능력이 매우 뛰어나 훈련된 데이터에 대해 유사한 정확도를 달양했습니다. 하지만 연구진이 모델 내부를 들여다보며 어떤 부분이 전자 데이터에서 가장 중요한지를 확인했을 때, 놀라운 사실을 발견했습니다. 두 모델은 서로 같은 것을 보고 있지 않았습니다. 두 모델은 일부 핵심 영역, 특히 점유된 상태와 비어 있는 상태 사이의 경계 근처에 있는 에너지 준위에 대해서는 동의했지만, 결론에 도달하기 위해 의존하는 세부 사항은 서로 달랐습니다. 한 모델은 데이터의 특정 정점(peak)에 집중하는 반면, 다른 모델은 그 옆에 있는 골짜기(valley)의 모양에 집중했습니다. 이는 두 모델이 똑같이 정확하더라도, 서로 다르고 때로는 상충하는 내부 논리에 의존할 수 있음을 입증했습니다.

어떤 모델이 진실을 말하고 있는지 이해하기 위해, 연구진은 일련의 통제된 실험을 수행했습니다. 그들은 가공되지 않은 전자 데이터를 가져와 특정 지점에 에너지를 더하거나 빼는 방식으로 인위적으로 조작한 뒤, 모델들이 어떻게 반응하는지 관찰했습니다. 그 결과, 모델들은 이러한 변화가 자기 강도에 어떤 영향을 미쳐야 하는지에 대해 항상 일치하지 않는다는 것을 발견했습니다. 때때로 특정 전자 특성을 변화시키면 한 모델은 더 강한 자석을 예측하는 반면, 다른 모델은 더 약한 자석을 예측하기도 했습니다. 이는 모델들이 동일한 물리적 실체를 읽고 있는 것이 아니라, 서로 다른 함수적 관계를 학습했음을 드러냈습니다. 이 연구는 단순히 예측을 잘하는 모델을 갖는 것만으로는 그 설명력을 신뢰하기에 충분하지 않다는 것을 보여주었습니다. 연구진은 머신러닝 모델이 물리 세계에 대해 무엇을 배웠는지 진정으로 이해하려면, 단 하나의 설명에 의존해서는 안 된다고 결론지었습니다. 대신, 서로 다른 모델을 비교하고, 예측을 기존의 물리 이론과 대조하며, 데이터를 의도적으로 변경했을 때 모델이 어떻게 반응하는지 테스트해야 합니다. 이러한 다양한 증거들이 모두 같은 방향을 가리킬 때 비로소 우리는 모델이 단순한 통계적 우연이 아닌 진정한 물리적 징후를 발견했다고 확신할 수 있습니다.

연구팀은 또한 알려진 물리학으로부터 얻은 작은 힌트를 모델에게 주는 것이 새로운 상황으로 일반화하는 데 도움이 되는지 테스트했습니다. 그들은 표준 섭동 이론(perturbation theory, 자기 효과를 추정하는 잘 알려진 방법)에 기반하여 계산된 기여분을 입력 데이터에 추가했습니다. 이것이 이미 본 데이터에 대한 모델의 성능을 극적으로 변화시키지는 않았지만, 훈련 세트와 다른 완전히 새로운 유형의 원자 자석을 마주했을 때 모델이 더 잘 수행되도록 돕는 역할을 했습니다. 그러나 이러한 개선이 보편적인 것은 아니었습니다. 이는 어떤 유형의 모델을 사용하는지, 그리고 구체적으로 어떤 작업을 수행하는지에 따라 크게 달라졌습니다. 이 발견은 알려진 물리학을 주입하는 것이 도움이 될 수는 있지만, 모델이 잘못된 것을 배우는 문제를 자동으로 해결해주지는 않는다는 점을 시사합니다.

궁극적으로 이 연구는 가공되지 않은 전자 데이터로부터의 엔드 투 엔드(end-to-end) 학습이 인간이 설계한 지름길 없이도 자기 이방성의 후보 징후를 식별할 수 있음을 보여줍니다. 하지만 이러한 징후에 대한 신뢰할 수 있는 미시적 이해로 가는 길은 직선이 아닙니다. 그것은 서로 다른 모델 구조가 일치하는지 확인하고, 식별된 패턴이 물리 이론과 일치하는지 검증하며, 통제된 변화에 모델이 논리적으로 반응하는지 확인하는 증거의 수렴을 필요로 합니다. 연구진은 이러한 모델들이 발견을 위한 강력한 도구가 될 수 있지만, 그 내부적 추론은 매우 주의 깊게 조사되어야 한다고 밝혔습니다. 이러한 다층적인 검증 없이는, 모델의 예측을 물리적 진실로 받아들일 위험이 있으며, 그것은 단지 영리하지만 궁극적으로는 오도하는 패턴 인식일 뿐일 수도 있습니다.