Linear response for machine-learned interatomic potentials: phonons at arbitrary wave vectors from the primitive cell

고체는 겉으로 보이는 것처럼 딱딱하고 변하지 않는 블록이 아닙니다. 다이아몬드처럼 단단하거나 납처럼 부드러운 결정 안에서도, 원자들은 끊임없이 진동하며 복잡하고 집단적인 리듬 속에서 꿈틀거리고 있습니다. 포논(phonon)이라고 알려진 이 진동은 물질의 심장 박동입니다. 이들은 고체가 가열될 때 어떻게 팽창하는지, 전기를 어떻게 전도하는지, 그리고 저항 없이 전류를 운반하는 초전도체가 될 수 있는지 여부까지 결정합니다. 이러한 특성을 이해하기 위해 과학자들은 결정의 "음악", 즉 원자들이 진동하는 특정 주파수와 그 진동이 물질을 통해 얼마나 빨리 이동하는지를 지도화해야 합니다. 수십 년 동안 이를 수행하는 표준적인 방법은 컴퓨터 시뮬레이션 속에 결정의 거대하고 인공적인 버전을 구축한 뒤, 원자를 약간 건드려 보고 그것들이 어떻게 반작다는 반응을 보이는지 관찰하는 것이었습니다. 이 방법은 효과가 있지만, 마치 거대한 홀에서 오케스트라 전체를 녹음함으로써 단 하나의 음을 들으려고 노력하는 것과 같습니다. 이는 느릴 뿐만 아니라, 홀의 크기가 소리의 명료함을 제한합니다.

루르 보훔 대학교(Ruhr University Bochum) 연구진의 새로운 연구는 소음을 뚫고 음악을 직접 듣는 다른 길을 제시합니다. 탈리스 H. B. 다 실바(Thalis H. B. da Silva), 하이첸 왕(Hai-Chen Wang), 미겔 A. L. 마르케스(Miguel A. L. Marques)가 이끄는 연구팀은 거대한 인공 결정 구조를 구축할 필요 없이 이러한 원자 진동을 정확하게 계산하는 방법을 개발했습니다. 그들은 이 방법을 머신러닝 기반 원자 간 포텐셜(machine-learned interatomic potentials)이라는 차세대 컴퓨터 모델에 적용했습니다. 이 모델들은 원자들이 어떻게 상호작용하는지 예측하기 위해 방대한 양의 데이터로 학습되며, 새로운 재료를 발견하는 데 있어 필수적인 도구가 되고 있습니다. 그러나 이 모델들은 매우 정교하기 때문에 멀리 떨어진 원자들로부터 오는 정보에 의존하며, 이는 전통적인 "거대한 홀" 방식의 한계를 시험합니다. 연구진은 진동을 결정의 가장 단순한 구성 요소(building block)를 통해 흐르는 파동으로 취급함으로써, 원자들이 서로 얼마나 멀리 떨어져 영향을 미치든 관계없이 전체 물질의 정확한 거동을 계산할 수 있음을 보여주었습니다.

문제의 핵심은 이러한 현대적 컴퓨터 모델이 작동하는 방식에 있습니다. 이들은 마치 전화기 게임(game of telephone)처럼 각 층이 다음 층으로 정보를 전달하는 일련의 레이어로 구성되어 있습니다. 가장 깊고 정확한 버전의 모델에서 정보는 최대 140 옹스트롬(angstrom) 거리까지 이동할 수 있는데, 이는 원자 규모에서 엄청나게 넓은 범위입니다. 이 전체 범위를 포착하기 위해 구식 방법을 사용하려면 과학자들은 수천 개의 원자를 포함하는 시뮬레이션 셀을 구축해야 합니다. 이는 순수 컴퓨팅 파워 요구량 때문에 종종 불가능합니다. 연구자들이 더 작은 셀을 사용하도록 강요받을 때, 그들은 사실상 장거리 상호작용을 차단하게 되며, 이는 식별하기 어려운 오류를 유발합니다. 어떤 경우에는 이 오류가 작지만, 다른 경우에는 치명적이어서, 컴퓨터가 실제로는 안정적인 물질을 불안정하여 무너질 것이라고 예측하게 만들기도 합니다. 즉, 실제로는 완벽하게 괜찮은데 말입니다.

연구진은 관점을 완전히 바꿈으로써 이 문제를 해결했습니다. 거대한 셀을 구축하고 이를 건드리는 대신, 그들은 다음과 같은 다른 질문을 던졌습니다: 만약 결정의 가장 작은 단위에 있는 원자들이 특정 파동 형태의 패턴으로 자극을 받는다면 어떤 일이 벌어질까? 그들은 양자 물리학에서 수십 년 동안 사용된 것과 유사한 수학적 기법을 적용했는데, 여기서 자극은 원자와 원자 사이를 매끄럽게 이동하는 위상(phase)에 의해 조절됩니다. 이를 통해 컴퓨터는 아주 작은 기본 단위를 살펴봄으로써 전체 무한 결정의 반응을 계산할 수 있습니다. 이 방법은 정확합니다. 장거리 힘을 근사하는 것이 아니라, 그 힘이 아무리 멀리 닿더라도 정확하게 계산합니다. 연구진은 이 방법을 NequIP와 Prophet이라는 두 가지 유형의 머신러닝 모델에 테스트했으며, 새로운 방법이 거대한 슈퍼셀 계산의 결과를 컴퓨터 정밀도의 한계까지 재현하면서도 막대한 계산 비용은 들지 않는다는 것을 발견했습니다.

이 새로운 접근 방식의 결과는 기존의 방법이 얼마나 많은 것을 놓치고 있었는지를 드러냅니다. 연구진이 실리콘, 다이아몬드, 그리고 카올리나이트(kaolinite)라는 복잡한 광물을 포함한 다양한 재료에 대해 이 정확한 계산을 표준적인 슈퍼셀 방법과 비교했을 때, 그 차이는 놀라웠습니다. 실리콘과 같이 대칭성이 높은 단순한 결정의 경우, 기존 방법의 오류는 약 0.3~0.7 테라헤르츠(THz) 정도로 작았지만 측정 가능한 수준이었습니다. 대칭성이 낮은 복잡한 카올리나이트의 경우, 오류는 3.4 테라헤르츠에 달할 정도로 거대했습니다. 더 우려스러운 점은, 기존 방법이 카올리나이트가 "허수(imaginary)" 주파수를 가진다고 예측했다는 것입니다. 이는 수학적으로 해당 물질이 동역학적으로 불안정하여 붕괴할 것이라는 신호입니다. 새로운 방법은 그러한 불안정성을 보여주지 않았으며, 기존의 접근 방식이 가짜 경보를 울렸음을 증명했습니다. 오류는 머신러닝 모델 자체의 결함이 아니라, 진동을 계산하는 방식의 결함이었습니다.

영향은 단순히 주파수 숫자를 맞추는 것에 그치지 않습니다. 많은 중요한 재료 특성은 진동의 피치(pitch)뿐만 아니라, 결정 내에서 이동할 때 그 피치가 어떻게 변하는지에 달려 있습니다. 이러한 미분값들은 군속도(group velocity), 즉 열이 물질을 통해 이동하는 속도를 결정합니다. 연구진은 기존 방법이 특정 지점에서 주파수를 정확히 맞추더라도, 속도를 계산하는 데 있어서는 처참하게 실패한다는 것을 발견했습니다. 실리콘의 경우, 기존 방법으로 계산된 군속도는 주파수가 완벽한 지점에서도 거의 7% 가까이 차이가 났습니다. 이는 기존 방법이 계산된 몇몇 지점들을 연결하는 방식에 의존하며, 만약 점들 사이의 간격이 너무 멀면 그 사이의 선이 잘못 그려지기 때문입니다. 새로운 방법은 기울기를 직접 계산하여, 추측할 필요 없이 정확한 속도를 제공합니다. 이 정확도는 전자 기기 및 열 관리 시스템 설계에 필수적인 열전도율을 예측하는 데 매우 중요합니다.

또한, 새로운 방법은 이러한 진동이 압축되거나 늘어날 때 어떻게 변하는지, 즉 그뤼네이젠 파라미터(Grüneisen parameter)라고 알려진 특성을 계산할 수 있게 해줍니다. 이는 재료가 뜨거워질 때 왜 커지는지, 즉 열팽창을 이해하는 데 매우 중요합니다. 기존 방법은 약간 다른 부피에서의 진동을 계산하고 이를 비교해야 하는데, 이 과정에서 두 가지 서로 다른 모드의 진동이 교차하면 문제가 생길 수 있습니다. 새로운 방법은 변화를 해석적으로 계산하여 이러한 함정을 완전히 피합니다. 실리콘의 경우, 기존 방법은 저온에서 열팽창이 3~4배 너무 크게 예측되었으나, 새로운 방법은 절대 영도에서 약 18K까지 실리콘이 겪는 미세한 수축을 정확하게 재현했습니다.

연구진은 작업 비용 또한 살펴보았습니다. 다이아몬드나 실리콘처럼 대칭성이 높은 재료의 경우, 동일한 양의 데이터를 계산한다면 새로운 방법은 기존 방법과 거의 같은 시간이 걸립니다. 그러나 새로운 방법은 뚜렷한 장점이 있습니다. 거대한 슈퍼셀의 메모리를 필요로 하지 않는다는 점입니다. 가장 작은 단위를 사용하기 때문에, 기존 방식의 메모리 요구량에 압도당할 수 있는 표준 컴퓨터에서도 실행할 수 있습니다. 대칭성이 없는 카올리나이트와 같은 재료의 경우, 새로운 방법이 5~6배 더 오래 걸리기는 하지만, 힘을 절단(truncating)하지 않고 정확한 답을 얻을 수 있는 유일한 방법입니다. 트레이드오프는 명확합니다. 기존 방법은 더 빠르지만 특히 복잡한 재료나 깊은 모델에서는 자주 틀리는 반면, 새로운 방법은 때때로 더 많은 계산량이 필요하지만 정확하고 신뢰할 수 있습니다.

이 연구는 물리적 세계를 시뮬레이션하는 방식의 중대한 변화를 의미합니다. 인공적이고 거대한 슈퍼셀의 필요성을 제거함으로써, 연구진은 모델의 오류와 계산 방식의 오류를 분리해 냈습니다. 과거에는 시뮬레이션 결과가 틀렸을 때, 그것이 머신러닝 모델이 나쁜 것인지 아니면 계산 방식이 잘못된 것인지 알 수 없었습니다. 이제, 이 정확한 기준점을 통해 과학자들은 모델이 의도한 대로 작동하고 있다는 것을 확신할 수 있습니다. 이 방법은 단순한 이론적 개선이 아닙니다. 이미 실제 재료에 적용되어 이전에 눈에 띄지 않았던 오류들을 밝혀낸 실용적인 도구입니다. 머신러닝 모델이 점점 더 깊고 복잡해지며 물리적 슈퍼셀이 담을 수 없는 범위까지 도달함에 따라, 이 새로운 접근 방식은 우리가 너무 작은 방의 왜곡 없이 원자의 진정한 음악을 계속 들을 수 있도록 보장해 줍니다.