← 최신 논문
🔬 재료과학

Are Scaling Laws of Universal MLIPs Universal?

본 연구는 데이터셋 크기를 키우는 것이 머신러닝 기반 원자간 포텐셜(MLIP)의 성능을 향상시키지만, 그 스케일링 거동과 샘플 효율성은 보편적이지 않으며 모델 아키텍처, 대상 물성, 데이터 샘플링 전략, 그리고 테스트 세트의 화학적 분포 사이의 상호작용에 결정적으로 의존한다는 것을 입증한다.

원저자: Theo Keane, Anthony Onwuli, Richard Tomsett, Robert M. Forrest, Jonathan J. Bean

게시일 2026-11-13
📖 4 분 읽기☕ 가벼운 읽기

원저자: Theo Keane, Anthony Onwuli, Richard Tomsett, Robert M. Forrest, Jonathan J. Bean

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

새로운 물질이 어떻게 거동할지 예측하기 위해 원자들이 움직이는 모습을 관찰하는 것을 상상해 보십시오. 이를 정확하게 수행하기 위해, 과학자들은 대개 밀도 범함수 이론(density functional theory)이라 불리는 강력하지만 믿을 수 없을 정도로 느린 컴퓨터 방법론에 의존합니다. 이 방법은 구조 내 모든 전자의 복잡한 양자 역학을 해결하지만, 계산에 걸리는 시간이 너무 빠르게 증가하여 적당한 양의 물질을 시뮬레이션하는 데만 며칠 또는 몇 주가 걸릴 수 있습니다. 이를 가속화하기 위해 연구자들은 '기계 학습 기반 원자 간 포텐셜(machine-learned interatomic potentials)'을 개발했습니다. 이것을 '스마트한 지름길'이라고 생각하면 됩니다. 이는 수천 개의 값비싼 양자 계산을 통해 학습되어, 원자 사이의 에너지와 힘을 거의 즉각적으로 추측해내는 컴퓨터 프로그램입니다. 이러한 지름길 덕분에 과학자들은 몇 시간 또는 며칠 만에 물질을 시뮬레이션할 수 있게 되었으며, 이는 새로운 배터리, 초전도체, 더 강한 합금을 발견하는 문을 열어주었습니다.

하지만 이러한 지름길을 훈련시키는 데는 비용이 많이 듭니다. 모델을 가르치는 데 사용되는 모든 데이터는 느리고 값비싼 양자 계산을 필요로 합니다. 이는 이 분야에 중요한 질문을 던집니다. 만약 당신에게 생성할 수 있는 훈련 데이터의 예산이 한정되어 있다면, 그 예산을 어떻게 써야 할까요? 단순히 무작위로 섞인 구조들을 가져와야 할까요, 아니면 더 똑똑한 방식으로 선택해야 할까요? 수년 동안, 더 많은 데이터가 항상 더 좋다는 가정이 지배적이었습니다. 또한 다양한 화학 원소나 결정 모양을 포함하도록 하여 다양한 사례를 확보하는 것이 모델을 더 빠르고 효율적으로 학습시킬 것이라는 생각이 있었습니다. '스케일링 법칙(scaling law)'이라 알려진 이 아이디어는, 마치 학생이 더 많은 연습 문제를 풀면서 시험 점수를 높이는 것처럼, 훈련 사례를 추가함에 따라 성능이 예측 가능한 방식으로 향상된다는 것을 시사합니다.

한 연구팀은 이러한 스케일링 법칙이 이 원자 모델들에 대해 진정으로 보편적인지 테스트하기 위해 나섰습니다. 그들은 세 가지 다른 유형의 기계 학습 포텐셜을 가져와 100만 개 이상의 방대한 원자 구조 풀을 바탕으로 훈련시켰습니다. 연구진은 단순히 전체 풀을 사용하는 대신, 10,000개에서 640,000개의 구조로 구성된 더 작은 규모의 훈련 세트들을 만들었습니다. 결정적으로, 그들은 이 구조들을 단순히 무작위로 뽑지 않았습니다. 어떤 이들은 화학 원소의 균형 잡힌 혼합을 보장하도록 구조를 선택했고, 어떤 이들은 서로 다른 결정 화학식을 균형 있게 맞추려 했으며, 또 다른 이들은 데이터의 복잡한 수학적 지도를 사용하여 가장 '다양한' 또는 '서로 멀리 떨어진' 사례들을 선택했습니다. 그런 다음 연구진은 두 가지 도전 과제에 대해 모델의 성능을 테스트했습니다. 하나는 훈련 데이터와 유사한 형태를 띠는 것이었고, 다른 하나는 약간 변형된 유형의 물질을 나타내는 것이었습니다.

결과는 다양성이 자동으로 더 나은 모델을 만든다는 일반적인 믿음에 도전했습니다. 연구진은 모델이 더 많은 데이터와 함께 개선되는 방식에 대한 단일하고 보편적인 규칙은 존재하지 않는다는 사실을 발견했습니다. 모델이 개선되는 속도는 사용된 특정 모델 아키텍처, 예측하려는 물리적 특성, 그리고 가장 놀랍게도 성공을 측정하는 데 사용된 테스트 세트에 따라 크게 달랐습니다. 많은 경우, 정교한 방법으로 다양성을 극대화하려고 노력한 방법보다 단순히 구조를 무작위로 선택하는 전략이 비슷하게 잘 작동하거나 오히려 더 나은 성능을 보였습니다.

아마도 가장 눈에 띄는 발견은 '최선의' 데이터 선택 방법이 모델이 테스트되는 위치에 따라 달라진다는 점이었습니다. 훈련 세트에서 화학 원소의 균형을 세심하게 맞춘 전략은 모델이 변형된 물질의 특성을 예측하는 데 도움을 주었지만, 원래의 물질에 대한 예측 성능은 약간 저하시켰습니다. 반대로, 수학적으로 가장 다양한 구조를 선택하려고 했던 방법들은 무작위 선택보다 성능이 떨어지는 경우가 많았습니다. 이 연구는 좋은 훈련 세트의 핵심이 단순히 많은 수의 사례를 갖는 것이 아니라, 모델이 궁극적으로 사용될 구체적인 화학적 세계와 일치하는 사례를 갖는 것임을 보여주었습니다.

연구진은 또한 모든 예측이 동일한 속도로 쉬워지는 것은 아니라는 점도 발견했습니다. 모델이 더 많은 데이터를 접함에 따라, 구조의 총 에너지를 예측하는 능력은 개별 원자에 작용하는 힘이나 물질 내부의 응력(stress)을 예측하는 능력보다 훨씬 빠르게 향상되었습니다. 이는 만약 과학자가 모델이 에너지를 얼마나 잘 예측하는지만 본다면, 모델이 힘이나 응력을 다루는 더 어려운 과제를 얼마나 빠르게 학습하고 있는지에 대해 지나치게 낙관적인 견해를 가질 수 있음을 시사합니다.

궁극적으로, 이 연구는 훈련 데이터를 선택하는 데 있어 단 하나의 '마법의 탄환'은 없다는 결론을 내립니다. 더 비싼 계산을 추가하는 것의 가치는 전적으로 맥락에 달려 있습니다. 모델이 특정 용도로 설계되었다면, 훈련 데이터는 그 용도의 화학적 및 구조적 환경과 일치해야 합니다. 단순히 문제에 더 많은 데이터를 들이붓거나, 대상 사례를 고려하지 않은 채 최대의 다양성을 강요하는 것은 기대했던 개선을 가져오지 못할 수 있습니다. 더 나은 물질 발견을 향한 길은 단순히 더 많은 데이터를 모으는 것이 아니라, 당면한 과제에 맞는 '적절한' 데이터를 모으는 데 있습니다.

연구 분야의 논문에 파묻히고 계신가요?

연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.

Digest 사용해 보기 →