Learning the self-energy through equivariant neural networks

기술 요약: 등변 신경망을 통한 자기 에너지(Self-Energy) 학습

문제 정의
전자 자기 에너지(electronic self-energy), $\Sigma(r, r', \omega)$는 전하 여기(charged excitations), 준입자 에너지(quasiparticle energies), 그리고 스펙트럼 함수(spectral functions)를 예측하는 데 핵심적인 역할을 한다. $G_0W_0$ 근사는 이러한 양들을 위한 엄밀한 프레임워크를 제공하지만, 이를 고처리량 재료 워크플로우에 적용하는 것은 계산 비용 문제로 인해 제약을 받는다. 자기 에너지는 국소 궤도 기저(local-orbital basis)에서 복소수 값의 행렬 형태를 가지며 연속적인 주파수 변수에 의존한다. 이를 계산하기 위해서는 모든 주파수 그리드 지점에서 동적 차폐된 쿨롱 상호작용(dynamically screened Coulomb interaction)을 구성하고 이를 그린 함수(Green's function)와 합성(convolution)해야 하므로, 표준 밀도 범함수 이론(DFT)보다 훨씬 더 많은 비용이 소요된다. 또한, 자기 에너지는 그 복소수 특성, 행렬 구조, 그리고 비국소적 차폐(nonlocal screening)에 대한 민감성 때문에 머신러닝의 까다로운 대상이다. 결정적인 과제는 자기 에너지에서 발생하는 오차가 스펙트럼 함수가 평가되는 실수 축(real axis)으로의 허점이 많은 해석적 연속(ill-conditioned analytic continuation) 과정을 거치는 동안에도 살아남는다는 점이다.

방법론
저자들은 분자에 대한 허수 주파수 $G_0W_0$ 자기 에너지 행렬, $\Sigma_c(i\omega)$의 동적 상관 부분(dynamical correlation part)을 예측하기 위해 $E(3)$-등변 메시지 패싱 신경망(equivariant message-passing neural network)을 개발하였다. 정적 교환 부분인 $\Sigma_x$는 계산 비용이 저렴하므로 중복성을 피하기 위해 기본 DFT 참조값에서 그대로 유지한다.

• 아키텍처: 모델은 원자를 노드로, 에지를 쌍별 기하학적 관계를 나타내는 그래프 신경망을 활용한다. 이 모델은 번역, 회전 및 치환 대칭을 준수하는 $E(3)$-등변 백본(HamGNN 기반)을 채택하였다. 네트워크는 수치적 원자 중심 궤도(Numerical Atom-Centered Orbital, NAO) 기저 내에서 궤도 공간 행렬 블록을 출력한다. 아키텍처는 회전 공변성(rotational covariance)을 구조적으로 강제한다. 즉, 궤도 인덱스는 원자 중심과 구면 조화 함수 성분으로 분해되며, 네트워크 연산은 출력 행렬이 회전에 따라 올바르게 변환되도록 클레브슈-고르단(Clebsch–Gordan) 텐서 곱을 사용한다(식 7).
• 주파수 처리: 주파수 의존성을 처리하는 두 가지 전략을 비교한다:
  1. 고정 주파수(Fixed-frequency): 공유된 백본이 샘플링된 32개의 개별 주파수 지점에 대해 각각 별도의 출력 헤드를 공급한다.
  2. 주파수 조건부(Frequency-conditioned): 단일 네트워크에 허수 주파수 $\omega$를 명시적인 스칼라 입력으로 전달한다. 주파수는 사인 기저(sine basis)로 매핑된 로그 스케일을 통해 인코딩되어, 모델이 $\Sigma_c(i\omega)$를 연속적이고 미분 가능한 함수로 표현할 수 있게 한다. 이 방식은 모델의 매끄러움을 강제하기 위해 주파수 미분에 대한 보조 손실 항(auxiliary loss term)을 포함한다.
• 해석적 연속(Analytic Continuation): 훈련된 허수 축 예측값과 실수 축 관측값 사이의 간극을 메우기 위해, 저자들은 인과적 해석적 연속 절차를 사용한다. 자유 극점(free poles)을 가진 유리 함수를 적합시키는 대신, 고정된 실수 주파수 그리드에 대해 스펙트럼(Lehmann) 표현을 부과한다. 저자들은 잔차(residue)를 결정하기 위해 비음수 최소 제곱 문제(non-negative least-squares problem)를 해결하며, 이를 통해 인과성과 스펙트럼 밀도의 비음수성이 구조적으로 보장되도록 하여 작은 행렬 요소 오차가 물리적 오류로 증폭되는 것을 방지한다.
• 다운스트림 재구성: 예측된 $\Sigma_c$는 정적 $\Sigma_x$ 및 DFT 참조값(KS 고유값, 고유 벡터, 중첩 행렬)과 결합되어 다이슨 방정식(Dyson equation)을 통해 전체 그린 함수를 구성한다. 이후 준입자 에너지와 스펙트럼 함수가 도출된다.

주요 기여

1. $\Sigma_c$의 직접 학습: 본 연구는 원자 종과 좌표로부터 동적 상관 자기 에너지라는 복소수 행렬 형태의 연속 주파수 의존량을 등변 신경망을 통해 직접 학습할 수 있음을 입증하였다.
2. 대칭 보존 아키텍처: 모델은 궤도 기저 내에서 자기 에너지 행렬의 회전 공변성을 명시적으로 강제하며, 이는 대칭 적응 기저(symmetry-adapted bases)를 사용하는 다른 접근 방식들이 흔히 간과하는 부분이다.
3. 강건한 연속 전략: 저자들은 인과성과 비음수 스펙트럼 밀도를 구조적으로 보장하는 안정적인 인과적 해석적 연속 방법을 도입하여, 작은 예측 오차가 가공의 스펙트럼 특징으로 증폭되는 것을 방지하였다.
4. 주파수 조건부 방식의 우수성: 주파수를 명시적 입력으로 하여 네트워크를 조건화하는 것이 고정 주파수 헤드를 사용하는 것보다 높은 정확도를 얻는 데 유리하며, 특히 프런티어 궤도 에너지와 스펙트럼 함수에 대해 연속적인 표현을 제공함을 입증하였다.

결과
모델은 물 클러스터(단량체, 이량체, 삼량체)와 QM9 데이터셋의 화학적으로 다양한 하위 집합에 대해 훈련 및 검증되었다.

• 허수 축 정확도: 물 시스템에 대해, 주파수 조건부 모델은 허수 주파수 그리드 전체에서 평균 절대 오차(MAE)가 1 meV 미만(단량체의 경우 약 0.065 meV)인 행렬 요소를 예측하였다.
• 일반화 성능: 모델은 훈련 세트에 존재하지 않았던 크기인 물 사량체(tetramer)로 성공적으로 일반화되었다. 분자당 오차는 클러스터 크기에 따라 증가하지만, 행렬 요소 오차는 1 meV 미만을 유지하며 스펙트럼 함수를 높은 충실도로 재현한다.
• 실수 축 성능: 예측된 자기 에너지를 실수 축으로 연속시킨 결과, $G_0W_0$ 참조 스펙트럼 함수의 피크를 하나씩 정확히 재현하였다. QM9 분자의 경우, 프런티어 준입자 레벨(HOMO, LUMO 및 갭)이 수십 meV 이내의 오차로 복구되었다.
• 워크플로우 비교: QM9 테스트 세트에서 주파수 조건부 워크플로우가 고정 주파수 워크플로우보다 우수한 성능을 보였다. 이 방식은 HOMO, LUMO 및 갭의 평균 절대 오차를 3배에서 8배까지 줄였다. 또한 주파수 조건부 모델은 허수 축에서의 요소별 MAE(0.55 meV 대 4.55 meV)와 상대적 프로베니우스 오차(relative Frobenius error)가 더 낮았다.

의의
본 논문은 허수 축에서 자기 에너지를 학습하는 것이 실수 주파수 스펙트럼을 얻기 위한 실질적인 경로임을 결론짓는다. 일단 훈련되면, 이 모델은 가장 비용이 많이 드는 $G_0W_0$ 워크플로우 단계를 대체할 수 있다. DFT 참조값이 주어진 상태에서 새로운 기하학적 구조에 대한 자기 에너지를 얻기 위해 명시적인 $G_0W_0$ 계산을 수행할 필요가 없다. 본 연구는 대칭 보존 아키텍처가 다운스트림 분광학에 충분한 정확도를 가진 동적 다체 양(many-body quantities)을 학습할 수 있음을 보여주며, 이러한 정확도가 해석적 연속 과정에서도 유지됨을 입증하였다. 저자들은 현재 프레임워크가 분자에 초점을 맞추고 있으나, $k$-점 샘플링 및 브릴루앙 존 적분을 처리하기 위한 아키텍처 개선이 이루어진다면 주기적 시스템의 전자 구조에 대한 고처리량 스크리닝을 향한 단계가 될 수 있다고 언급하였다.