Learning Between the Lines: Interaction Interpolation in a Multi Element Machine Learning Interatomic Potential

재료 과학의 세계에서 연구자들은 원자들이 결합하여 고체를 형성할 때 어떻게 행동할지를 예측하기 위해 끊임없이 노력하고 있습니다. 이를 위해 그들은 종종 '원자 간 포텐셜(interatomic potential)'이라는 디지털 도구에 의존합니다. 이 도구를 특정 원자 배열에 얼마나 많은 에너지가 저장되는지, 그리고 원자들이 서로를 얼마나 강하게 밀거나 당기는지를 컴퓨터에 알려주는 규칙 세트라고 생각하면 됩니다. 수십 년 동안 이러한 규칙을 생성하는 가장 정확한 방법은 모든 시나리오에 대해 복잡한 양자 역학 방정식을 푸는 것이었습니다. 이 방법은 정밀하지만 너무 느려서, 액체 금속의 아주 작은 한 방울을 시뮬레이션하는 데만 몇 주가 걸릴 수 있습니다. 속도를 높이기 위해 과학자들은 머신러닝을 활용해 왔습니다. 이 컴퓨터 프로그램들은 미리 계산된 예시들의 라이브러리로부터 학습하여 새로운 배열의 행동을 거의 즉각적으로 예측합니다. 그러나 주요한 장애물이 남아 있습니다. 보통 새로운 머신러닝 모델은 과학자가 연구하고자 하는 특정 합금이나 화학적 혼합물마다 처음부터 새로 구축되어야 한다는 점입니다. 이러한 맞춤형 모델을 만드는 것은 비용이 많이 들고 시간이 오래 걸리기 때문에 병목 현상을 일으킵니다. 핵심적인 질문은, 하나의 가볍고 범용적인 모델이 완전히 새로운 원소의 조합을 다루기 위해 처음부터 다시 재학습할 필요 없이, 원자 간 상호작작용의 근본적인 규칙을 충분히 잘 학습할 수 있는가 하는 것이었습니다.

로스앨러모스 국립연구소의 연구팀은 금속 합금을 위한 작고 범용적인 모델을 개발함으로써 그 질문에 대한 답을 찾는 중요한 발걸음을 내디뎠습니다. 이들은 가능한 모든 원자의 조합을 암기하려고 노력하는 대신, 개별 원자와 원자 쌍 사이의 기본적인 상호작용을 이해하도록 모델을 가르쳤으며, 그 후 모델이 스스로 더 복잡한 집단을 파악할 수 있는지 테스트했습니다. 연구진은 알루미늄, 티타늄, 구리, 텅스텐을 포함한 12가지 서로 다른 금속 원소에 집중했습니다. 영리하고 단계적인 학습 과정을 통해, 연구진은 단일 금속과 단순한 이원 금속 혼합물에 대한 데이터를 모델에 입력했습니다. 그런 다음 모델에게 본 적이 없는 삼원 금속 및 심지어 사원 금속 혼합물의 행동을 예측하도록 요청했습니다. 결과는 놀라웠습니다. 단순한 데이터로 학습된 모델이 복잡한 다성분 금속 시스템의 에너지와 안정성을 높은 정확도로 예측해 낸 것입니다. 이는 모델이 단일 원자와 이원 원자의 상호작용이라는 더 단순한 규칙을 이해함으로써, 세 개 또는 네 개의 원자가 어떻게 상호작용하는지를 '행간을 읽듯' 추론해 냈음을 시사합니다.

연구진은 '능동 학습(active learning)'이라 불리는 방법을 사용하여 이를 달로 달성했습니다. 이는 마치 학생이 정말로 막혔을 때만 도움을 요청하는 것과 같습니다. 컴퓨터에 수백만 개의 무작위 예시를 입력하는 대신, 시스템은 시뮬레이션을 실행하여 자신이 가장 확신이 없는 순간을 식별한 뒤, 그 특정하고 어려운 사례들에 대해 강력한 양자 컴퓨터에 해결책을 요청했습니다. 이러한 새로운 고품질의 답변들이 학습 세트에 추가되었고, 이 과정이 반복되었습니다. 연구진은 학습을 단일 금속, 이원 금속, 마지막으로 삼원 금속을 도입하는 단계로 구성했습니다. 한 실험 세트에서 연구진은 단일 및 이중 금속 데이터로 학습된 모델을 삼원 금속 데이터까지 본 모델과 비교했습니다. 놀랍게도, 삼원 금속 데이터를 보지 못한 모델이 그 복잡한 혼합물에 대해 테스트했을 때 똑같이 우수한 성능을 보였습니다. 보지 못한 삼원 금속 시스템의 에너지 예측 오차는 명시적으로 학습된 모델의 오차와 거의 동일했습니다. 이는 모델이 단순히 규칙 목록을 암기한 것이 아니라, 접해보지 못한 상호작용에 대해서도 보간(interpolation), 즉 빈틈을 채울 수 있을 만큼 근본적인 물리학을 잘 학습했음을 나타냅니다.

이 접근 방식의 성공은 훨씬 더 멀리까지 확장됩니다. 연구팀은 원래의 12가지 금속에 포함되지 않았던 새로운 원소인 금(gold)을 모델이 처리할 수 있는지 테스트했습니다. 연구진은 금이 다른 금속들과 어떻게 섞이는지에 대한 정보 없이, 순수한 금 원자에 대한 데이터만을 모델에 제공했습니다. 모델을 다른 12개 금속과 혼합된 금에 대해 테스트했을 때, 모델은 이 새로운 합금들의 행동을 성공적으로 예측했습니다. 예측이 완벽하지는 않았지만, 모델은 다양한 금 혼합물의 안정성 순위를 올바르게 매겼고 에너지의 일반적인 경향을 포착했습니다. 이는 모델이 원자 상호작용의 보편적인 언어를 학습하여, 최소한의 추가 데이터만으로 새로운 화학 원소에 지식을 전이할 수 있음을 보여줍니다. 연구진은 모델의 일반화 능력이 매우 강력하여, 단일 및 이중 금속 데이터만을 사용하고도 사원 금속 합금(quaternary systems)의 행동을 예측할 수 있다는 것을 발견했습니다.

이 연구의 함의는 미래의 재료 설계에 있어 매우 큽니다. 현재 새로운 합금을 만드는 데 신뢰할 수 있는 모델을 구축하려면 방대한 양의 값비싼 데이터를 생성해야 하며, 이는 새로운 재료의 발견 속도를 제한합니다. 본 연구는 더 정교하게 선택된 작은 규모의 데이터셋만으로도 충분할 수 있음을 시사합니다. 데이터의 양보다는 다양성에 집중하고, 모델이 개별 원자와 원자 쌍 사이의 근본적인 상호작용을 학습하도록 보장함으로써, 과학자들은 빠르고 폭넓게 적용 가능한 가벼운 모델을 구축할 수 있습니다. 연구진은 모델이 많은 시나리오에서 매우 정확했지만, 바나듐이 포함된 특정 조합에서는 다소 어려움을 겪었다는 점을 언급하며, 이 접근 방식이 강력하긴 하지만 모든 가능한 화학적 혼합물에 대한 완벽한 해결책은 아직 아니라는 점을 강조했습니다. 그럼에도 불구하고, 이 연구 결과는 실질적인 진로를 제시합니다. 우리는 복잡한 재료를 이해하기 위해 거대하고 다루기 힘든 데이터베이스가 필요하지 않다는 것을 보여줍니다. 대신, 기계에게 원자 상호작용의 기본 문법을 가르침으로써, 우리는 기계가 스스로 복잡한 합금의 이야기를 써 내려가게 하여 항공우주 공학에서 에너지 저장에 이르기까지 새로운 금속과 합금의 발견을 가속화할 수 있습니다.