Autonomous atomistic-continuum coupling through uncertainty-aware active learning

기술 요약: 불확실성 인지형 능동 학습을 통한 자율적 원자론적-연속체 결합

문제 정의
다중 스케일 공학 문제는 나노미터 및 펨토초 단위의 원자론적 스케일부터 미터 및 밀리초 단위의 연속체 스케일에 이르기까지 서로 이질적인 길이 및 시간 스케일을 가로지르는 현상을 해결해야 하는 경우가 많습니다. 전통적인 결합 전략은 종종 오프라인 방식의 일방향 파라미터화 또는 직접 결합에 국한되는데, 이는 원자론적 솔버(예: Kinetic Monte Carlo, KMC)와 연속체 솔버(예: Computational Fluid Dynamics, CFD) 사이의 막대한 계산 비용 차이로 인해 대규모 시뮬레이션에서 계산적으로 실행 불가능한 경우가 많습니다. 또한, 오프라인 대리 모델(surrogate models)은 연속체 솔버가 초기 훈련 데이터가 커버되지 않은 입력 공간 영역에서 모델을 호출할 때, 정량화되지 않은 인식론적 불확실성(epistemic uncertainty)으로 인해 실패할 수 있습니다.

본 연구에서 다루는 구체적인 사례 연구는 할라이드 페로브스카이트(특히 $\text{CsPbI}_3$) 박막의 증기 증착입니다. 이 과정은 기판에 충돌하는 다성분 반응성 증기 제트를 포함하며, 종(species)별 질량 플럭스를 예측하기 위해 연속체 다성분 유체 역학 솔버와 원자론적 KMC 표면 화학 솔버를 결합해야 합니다.

방법론
저자들은 연속체 CFD 솔버를 대리 모델을 통해 원자론적 KMC 솔버와 결합하는 자율적, 불확실성 인지형 능동 학습 프레임워크를 제안합니다.

1. 원자론적 솔버 (KMC):

   • SPPARKS(Stochastic Parallel PARticle Kinetic Simulator) 내에 구현되었습니다.
   • (001) 표면 위의 사방정계 페로브스카이트 격자 ($\text{ABX}_3$) 성장을 모델링합니다.
   • 증착, 탈착 및 확산 과정을 포함합니다.
   • 이벤트 발생률을 결정하기 위해 밀도 범함수 이론(DFT)으로 보정된 새로운 에너지 모델을 사용합니다.
   • 연속체 격자 셀의 작은 일부를 나타내는 3D 서브도메인 ($10 \times 10$ 측면 사이트, 20개 수직 층)을 시뮬레이션합니다.
   • 6가지 종($\text{Cs}^+$, $\text{Pb}^{2+}$, $\text{I}^-$, $\text{CsI}$, $\text{PbI}^+$, $\text{PbI}_2$)에 대한 순 종 플럭스(net species fluxes, 증착/탈착율)를 출력합니다.

2. 연속체 솔버 (CFD):

   • AMReX 적응형 격자 세분화 라이브러리를 사용하여 압축성 다성분 반응 유동 방정식(질량, 운동량, 에너지, 종 수송)을 풉니다.
   • 기판 경계 조건을 원자론적 결합을 위한 인터페이스로 취급합니다.

3. 대리 모델링 및 능동 학습:

   • 모델 유형: 견고한 불확실성 추정치(분산)를 제공하는 능력 덕분에 Gaussian Process (GP) 회귀가 대리 모델로 사용됩니다.
   • 입력/출력: 대리 모델은 국부적인 연속체 상태 변수(6가지 종의 분압 및 온도)를 입력으로 받아 각 종에 대한 순 질량 플럭스를 예측합니다. 6개의 별도 GP 모델이 각 종에 대해 훈련됩니다.
   • 훈련 전략:
     • 오프라인 초기화: GP를 초기화하기 위해 규정된 운전 조건에서 소규모 배치 KMC 시뮬레이션을 실행합니다.
     • 온라인 학습: CFD 시뮬레이션 중에 모든 격자 셀과 타임스텝에서 솔버는 대리 모델에 평균 플럭스와 분산을 쿼리합니다.
     • 트리거 메커니즘: 예측된 분산이 사용자 지정 임계값($\tau_{var}$)을 초과하면, 시스템은 해당 특정 상태에서 전체 KMC 시뮬레이션을 트리거합니다. 새로운 KMC 결과는 GP 모델을 재훈련하거나 업데이트하는 데 사용됩니다. 분산이 임계값보다 낮으면 대리 모델의 평균 예측값을 직접 사용합니다.

주요 기여

• 자율적 결합 프레임워크: 정적인 사전 계산 데이터셋에 의존하는 대신, 실시간 불확실성 정량화를 기반으로 고가의 원자론적 시뮬레이션 호출 여부를 동적으로 결정하는 완전 자율 시스템을 개발했습니다.
• 차원 축소: 상세한 결정 구조(고차원 점유 데이터)를 대리 모델에서 명시적으로 표현할 필요가 없음을 입증했습니다. 대신, 종별 질량 플럭스가 정확한 결합을 위한 충분한 저차원 표현 역할을 합니다.
• DFT 보정 에너지 모델: 할라이드 페로브스카이트 증착을 정확하게 처리하기 위해 DFT로 보정된 에너지 모델을 구축하고 KMC 솔버에 통합했습니다.
• 효율성 대 정확도 트레이드오프: 불확실성 임계값과 계산 비용 사이의 관계를 정량화하여, 보수적인 임계값을 사용하면 물리적 충실도를 유지하면서도 원자론적 시뮬레이션 요구량을 수 차수(orders of magnitude) 감소시킬 수 있음을 보여주었습니다.

결과

• 계산 효율성: 대리 모델 결합 방식은 직접 결합에 비해 필요한 KMC 시뮬레이션 횟수를 2~3 차수 줄였습니다. 보수적인 분산 임계값(0.02)의 경우, 원자론적 시뮬레이션 횟수는 직접 결합(500 타임스텝 동안 약 96,000회)에 비해 수백 회 수준으로 급감했습니다.
• 정확도:
  • 보수적인 불확실성 임계값을 사용할 때, 누적 질량 플럭스 오차는 일반적으로 직접 결합된 "그라운드 트루스(ground truth)" 대비 10–20% 이내였습니다.
  • 대리 모델은 종의 분압에 따른 순 증착의 비단조적 의존성(높은 압력에서 초기 증가 후 감소하는 현상)을 성공적으로 포착했습니다. 이는 직접 결합에서 관찰된 복잡한 물리적 경향입니다.
  • 정확도는 다양한 제트 유속(10, 20, 50 m/s)에 대해 견고했습니다.
• 수렴 동작: 시스템은 약 5~10회의 유체 타임스텝 동안 초기 "학습 단계"를 필요로 했습니다. 이 단계 이후, 대리 모델은 거의 모든 격자 셀에 대한 예측을 제공할 수 있었으며, 원자론적 시뮬레이션은 드물게(종종 0.1% 미만) 트리거되었습니다.
• 임계값 민감도: 낮은 분산 임계값은 정확도를 높이지만 계산 비용을 초선형적으로 증가시킵니다. 높은 임계값(예: 0.08)은 특히 증착률이 낮은 종(X 및 $\text{BX}_2$)에 대해 예측된 압력과 증착률에서 더 큰 진동을 유발했으나, 전반적인 물리적 경향은 유지되었습니다.

의의 및 주장
본 논문은 이 접근 방식이 직접 결합의 과도한 비용 없이 사용자가 지정한 수준의 정확도를 유지하면서 효율적인 다중 스케일 결합을 가능하게 한다고 주장합니다. 주요 의의 중 하나는 진화하는 결정 구조를 명시적으로 표현하는 것이 불필요함을 입증한 것입니다. 즉, 종별 플럭스가 솔버 간에 교환되는 양을 예측하기 위한 충분한 표현임을 보여주었습니다.

저자들은 이 연구를 오프라인 대리 모델의 "외삽(extrapolative)" 실패 모드에 대한 해결책으로 제시합니다. 불확실성 인지형 능동 학습을 사용함으로써, 이 방법은 모델이 확신이 있을 때만 신뢰하며, 필요한 경우에만 새로운 원자론적 시뮬레이션을 통해 훈련 데이터의 공백을 자동으로 채웁니다. 이를 통해 이 프레임워크는 (제로 분산 허용 한계에서) 직접 결합의 거동을 회복하는 동시에 (무한한 허용 한계에서) 오프라인 대리 모델의 계산 효율성을 제공합니다. 이 프레로그램은 오픈 소스 도구(SPPARKS, AMReX, Adaptive Computing)를 사용하여 구현되었으며, 다른 반응성 표면 성장 프로세스에도 적용 가능한 유연한 패러다임으로 제시됩니다.