Scalable long-range machine learning interatomic potentials with electrical response for atomistic material modeling

기술 요약: 전기적 응답을 포함하는 확장 가능한 장거리 머신러닝 원자 간 포텐셜

문제 정의
전기장 하에서의 재료에 대한 정확한 원자 단위 모델링은 밀도 범함수 이론(DFT)과 같은 기존의 제일 원리 방법의 능력을 훨씬 초과하는 길이 스케일에서 장거리 정전기력과 전기적 응답(예: Born 유효 전하 또는 BEC)을 포착해야 합니다. 머신러닝 원자 간 포텐셜(MLIP)은 공간적 및 시간적 스케일을 성공적으로 연결해 왔으나, 엄격하게 국소적인 모델은 효율적인 공간 병렬화를 가능하게 하지만 장거리 $1/r$ 상호작용을 무시한다는 결정적인 한계가 있습니다. 반면, 기존의 정전기 확장 방식은 분산 컴퓨팅을 저해하는 전역적 의존성을 도입합니다. 구체적으로, 잠재 에발트 합산(Latent Ewald Summation, LES)과 같은 방법은 전체 시뮬레이션 셀의 계산 그래프가 단일 미분 컨텍스트 내에 존재해야 하므로, 여러 GPU에 걸친 도메인 분할을 방지합니다. 이는 편극 전환, 이온 수송, 계면 열 수송이 전기장과 결합된 디바이스 관련 시스템(수백만 개의 원자)을 시뮬레이션하는 데 있어 병목 현상을 생성합니다.

방법론
저자들은 공간적 분해 가능성을 유지하면서, 엄격하게 국소적인 등변(equivariant) MLIP 백본에 장거리 정전기력과 전기적 응답 추론을 통합하는 DPA4C-LR 프레임워크를 제안합니다.

1. 국소 백본 및 잠재 전하: 모델은 단일 메시지 패싱 레이어를 가진 등변 그래프 신경망인 DPA4C를 사용하여 엄격하게 국소적인 원자 기술자(descriptor)를 생성합니다. 별도의 네트워크는 국소적 환경을 기반으로 단거리 에너지($E_{SR}$)와 가공되지 않은 잠재 전하($q^{raw}_i$)를 예측합니다. 전역 투영 단계는 전체 시스템 전하가 보존되도록 보장합니다.
2. 장거리 항의 해석적 분리: 저자들은 장거리 에너지를 전체 계산 그래프를 통해 추적하는 대신, 장거리 정전기력과 BEC를 해석적으로 분리합니다.
   • 전역 정전기: 장거리 에너지($E_{LR}$)는 투영된 전하에 작용하는 전역 정전기 솔브(3D 주기적 시스템의 경우 Particle Mesh Ewald 사용, 비주기적 시스템의 경우 실공간 합 사용, 2D 슬랩의 경우 Yeh–Berkowitz 보정 사용)를 통해 계산됩니다.
   • 국소 미분: 원자 위치에 대한 장거리 에너지의 미분은 직접적인 정전기력과 전하 응답력으로 분해됩니다. 결정적으로, 전하 응답 항은 원자 위치에 대한 국소 잠재 전하의 미분($\partial q^{raw}_i / \partial r_j$)에 의존합니다. 이러한 미분은 각 공간 파티션 내에서 자동 미분을 통해 국소적으로 계산됩니다.
3. 분산 구현: nvalchemi 플랫폼(NVIDIA ALCHEMI Toolkit-Ops)으로 구현된 이 워크플로우는 도메인 분할을 사용하여 단거리 계산을 여러 GPU에 분산할 수 있게 합니다. 장거리 항은 단계당 단 하나의 전역 정전기 솔브와 국소 역전파(backward pass)만을 추가하며, 여러 GPU에 걸쳐 확장할 수 있는 능력을 유지합니다.
4. BEC 정식화: BEC 텐서($Z^*_i$)는 직접적인 전하 기여와 전하 응답 기여로 분해됩니다. 응답 항은 실공간에서 해석적으로 유도되어, LES와 같이 역격자 공간 정식화에서 발생하는 유한 크기 효과와 비분산적 특성을 피합니다.

핵심 기여

• 확장 가능한 전기적 응답: 이 프레임워크는 공간적 분해 가능성을 유지하면서 장거리 정기력과 전기적 응답 추론 기능을 갖춘 MLIP를 확장하여, 기존의 정전기 MLIP가 가진 "전역 의전성" 병목 현상을 극복하고 대규모 시스템으로 확장하는 데 성공했습니다.
• 분산 BEC 평가: 국소 전하 미분으로부터 BEC를 해석적으로 유도함으로써, 이 방법은 다양한 경계 조건(3D 주기적, 2D 슬랩, 비주기적)에서 에너지, 힘, 응력 및 BEC를 분산 평가할 수 있게 합니다.
• 무감독 추론: 이 모델은 전하 또는 BEC에 대한 명시적인 라벨 없이, 오직 에너지와 힘에 대한 학습만으로 BEC와 전기장 의존적 특성을 추론합니다.

결과
프레임워크는 대규모 시스템을 요구하는 세 가지 뚜렷한 응용 분야에서 검증되었습니다:

1. 벌크 물(Bulk Water): DPA4C-LR는 벌크 물의 에너지와 힘에 대해 학습되었습니다. 모델은 20.2 meV/Å의 힘 RMSE를 달성하였으며(qNEP 변형보다 우수), DFPT 참조값에 대해 0.05 e의 RMSE로 BEC를 추론했습니다. 분자 동역학(MD) 시뮬레이션은 정적 전기장(0–0.15 V/Å) 하에서 물의 전계 의존적 적외선(IR) 스펙트럼을 성공적으로 재현했습니다.
2. 리럭서 강유전체 (PMN): 모델은 Pb(Mg$_{1/3}$Nb$_{2/3}$)O$_3$의 분극-전기장(P–E) 이력 곡선을 시뮬레이션했습니다. 더 작은 슈퍼셀(6×6×6)은 유한 크기 효과로 인해 인위적인 강유전체 유사 이력을 보였으나, 18×18×18 슈퍼셀(29,160개 원자)은 리럭서 거동과 일치하는 잔류 분극이 사라지는 특유의 "슬림한(slim)" 루프를 정확히 재현했습니다.
3. 비정질 고체 전해질 (LNOC): 비정질 Li$_{0.9}$NbO$_{0.9}$Cl$_{4.1}$에서 모델은 상온 전계 구동 이온 전도도를 6.8 ± 0.7 mS/cm로 예측했습니다. 19,872개 원자 셀에서의 전계 구동 MD로부터 유도된 이 값은 제로 필드 Einstein–Helfand 추정치에 비해 7배 더 좁은 신뢰 구간을 보여주었습니다.
4. 계면 열 수송: 프레임워크는 슬랩 보정 정전기력을 사용하여 Si/다이아몬드 계면의 열 수송을 모델링했습니다. 결과(0.148–0.160 GW m$^{-2}$ K$^{-1}$)는 모멘트 텐서 포텐셜 연구 및 실험 범위와 일치하여, Yeh–Berkowitz 보정 구현의 타당성을 입증했습니다.

확장성 성능
4개의 NVIDIA H200 GPU에서 DPA4C-LR은 520만 개의 원자까지 확장되었습니다. 장거리 항에 대한 계산 오버헤드는 단거리 백본의 약 2.1배였습니다. 프레임워크는 최대 규모에서 약 40–43%의 병렬 효율을 유지하며, 장거리 물리 법칙과 전기적 응답이 대규모 시뮬레이션에서도 제공될 수 있음을 입증했습니다.

의의
본 논문은 DPA4C-LR가 디바이스 관련 길이 스케일에서 전계 구동 및 계면 역학을 조사하기 위한 실질적인 토대를 제공한다고 주장합니다. 장거리 물리, 전기적 응답 추론, 그리고 분산 계산을 결합함으로써, 이 프레임워크는 제일 원리의 정확도와 리럭서의 분극 전환, 고체 전해질 내 이온 수송, 계면 열 방산과 같은 현상을 모델링하는 데 필요한 시스템 크기 사이의 간극을 메웁니다. 저자들은 이 접근 방식이 이전에는 작은 시스템에 국한되었거나 계산적으로 불가능했던 전역적 방법들과 달리, 수백만 개의 원자를 가진 시스템에서도 전기적 응답 능력을 갖춘 시뮬레이션을 가능하게 한다고 강조합니다.