← 최신 논문
🔬 재료과학

Technical Note on Matlantis PFP v9: Extending the Element and Domain Coverage of the r2SCAN Training Data

Matlantis PFP v9는 r2SCAN으로 학습된 범용 머신러닝 포텐셜을 란타넘족과 악티늄족을 포함한 96개 원소 및 클러스터와 흡착 같은 새로운 영역까지 확장하여, 형성 에너지에 대해 실험 수준의 정확도와 DFT 수준의 흡착 오차를 달축하는 동시에 SevenNet-Omni보다 추론 속도와 최대 시스템 크기 측면에서 크게 앞선 성능을 구현했습니다.

원저자: Daiki Shintani, Shigeru Iwase, Jun Oshiki, Kohei Shinohara, Nontawat Charoenphakdee, Makoto Hiramatsu, Yuta Tsuboi, Yusuke Asano, Hirotaka Akita, Yong-Bin Zhuang, So Takamoto, Chikashi Shinagawa

게시일 2026-11-19
📖 4 분 읽기☕ 가벼운 읽기

원저자: Daiki Shintani, Shigeru Iwase, Jun Oshiki, Kohei Shinohara, Nontawat Charoenphakdee, Makoto Hiramatsu, Yuta Tsuboi, Yusuke Asano, Hirotaka Akita, Yong-Bin Zhuang, So Takamoto, Chikashi Shinagawa

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

원자라는 미시 세계에서 과학자들은 물질이 어떻게 행동하는지 예측하기 위해 밀도 범함수 이론(density functional theory)이라는 강력하지만 무거운 도구에 오랫동안 의존해 왔습니다. 이 방법은 재료 내의 모든 개별 원자 사이의 상호작용을 극도로 정밀하게 계산하며, 본질적으로 그들의 존재를 지배하는 양자 역학 방정식을 해결합니다. 이러한 접근 방식은 실제 실험 결과와 일치하는 결과를 산출하지만, 계산량이 매우 많아 불과 몇 천 개의 원자를 포함하는 시스템을 아주 짧은 시간 동안만 다룰 수 있습니다. 금속 알갱이나 물방울 같은 더 큰 구조를 연구하거나, 과정이 전개되는 더 긴 시간을 관찰하기 위해서, 연구자들은 거의 동일한 수준의 정확도를 유지하면서도 더 빠른 방법을 필요로 했습니다. 이러한 필요성은 고도로 정밀한 계산으로부터 얻은 데이터로 학습된 컴퓨터 모델인 머신러닝 원자 간 포텐셜(machine learning interatomic potentials)의 탄생을 이끌었습니다. 일단 학습되면, 이 모델들은 원래의 방법보다 수천 배 더 빠르게 원자들이 어떻게 움직이고 상호작용할지를 예측할 수 있어, 과학자들이 수백만 개의 원자를 포함하는 시스템을 시뮬레이션하고 재료 과학의 광활한 새로운 영역을 탐험할 수 있게 해줍니다.

수년 동안 이러한 머신러닝 모델들은 유기 분자나 단순 결정과 같이 특정 유형의 재료만을 다루도록 특화되어 구축되는 경우가 많았습니다. 그러나 단일한 통합 시스템으로 고체 결정부터 개별 분자, 표면층에 이르기까지 다양한 영역을 처리하도록 설계된 범용 모델인 Matlantis PFP의 개발과 함께 중대한 도약이 일어났습니다. 이 모델의 최신 버전인 PFP v9는 그 역량의 대폭적인 확장을 나타냅로 합니다. Preferred Networks와 Matlantis Corporation의 연구진은 이 모델이 훨씬 더 넓은 범위의 주기율표와 더 복적인 물리적 배열을 이해할 수 있도록 성공적으로 학습시켰습니다. 연구진은 r2SCAN이라 불리는 매우 정확한 방법으로 계산된 새로운 대규모 데이터셋을 모델에 입력함으로써, 이 특정 접근 방식으로 모델링하기에는 너무 어려웠던 희토류 원소와 무거운 악티늄족 원소를 시뮬레이션할 수 있게 했습니다. 또한 그들은 분자가 표면에 달라붙는 방식과 원자들이 서로 뭉치는 방식에 대한 데이터를 추가하여, 모델의 이전 유용성을 제한했던 공백을 메웠습니다.

이 발전의 핵심은 학습 데이터에 있습니다. 연구진은 실험 결과와 매우 잘 일치하는 정교한 수학적 접근 방식인 r2SCAN 범함수를 사용하여 새로운 참조 계산 세트를 생성했습니다. 이전 버전의 모델에서는 이 데이터셋이 70개의 원소만을 다루었으며, 자석이나 배터리와 같은 기술에 필수적인 란타넘족과 같은 원자 가문 전체를 놓치고 있었습니다. 이번 작업은 이 범 coverage를 총 96개의 원소로 확장하여, 프라세오디뮴부터 루테튬까지의 란타넘족과 폴로늄부터 규륨까지의 무거운 원소들을 포함했습니다. 이러한 복잡한 원자들을 다루기 위해, 연구진은 내부 전자를 처리하는 방식에 있어 구체적인 기술적 선택을 내렸습니다. 란타넘족의 경우, 내부 f-전자를 동결된 핵 안에 가두어 두는 대신 결합에 참여할 수 있도록 하는 "하드(hard)" 포텐셜을 사용했습니다. 이 결정은 이 원자들이 다양한 화학적 환경에서 어떻게 행동하는지를 정확하게 설명하기 위해 필수적이었으며, 이는 이전 버전에서는 해결되지 않았던 미묘한 차이였습니다.

이제 확장되고 더 다양해진 데이터셋으로 학습된 모델을 바탕으로, 연구진은 실제 측정값에 맞서 모델의 정확도를 테스트했습니다. 그들은 결정의 형성 에너지, 즉 구성 성분으로부터 물질이 형성될 때 에너지가 얼마나 방출되거나 흡수되는지를 살펴보았습니다. 결과는 이 모델의 예측이 새롭게 지원되는 복잡한 재료들에 대해서도 기존의 잘 알려진 원소들에 대한 예측만큼이나 정확하다는 것을 보여주었습니다. 모델의 계산값과 실험값 사이의 차이는 작았으며, 원자당 평균 약 93 밀리전자볼트(meV)였는데, 이는 이전에 지원되었던 원소들의 오차율과 거의 동일한 수치입니다. 이는 모델이 이 까다로운 원자들의 물리학을 정밀도를 잃지 않고 성공적으로 학습했음을 나타냅니다.

연구진은 또한 분자가 고체 표면에 달라붙는 과정인 흡착(adsorption)을 예측하는 모델의 능력을 테스트했습니다. 이는 촉매 작용과 같이 표면이 화학 반응을 가속화하는 데 사용되는 분야에서 매우 중요한 상호작용입니다. 그들은 다양한 분자가 전이 금속 표면에 얼마나 강하게 결합하는지에 대한 모델의 예측을 벤치마크로 사용된 밀도 범함수 이론 방법의 데이터베이스와 비교했습니다. 모델은 벤치마크로 사용된 표준 밀도 범함수 이론 방법과 대등한 전반적인 오차를 보이며 수행되었습니다. 그러나 연구진은 특정 경향을 주목했습니다: 모델은 표면과 강한 화학 결합을 형성하는 분자에 대해 결합 강도를 약간 과대평가하는 반면, 더 약한 힘에 의해 결와 결합하는 경우에는 결합 강도를 과소평가하는 경향이 있었습니다. 그럼에도 불구하고, 원자 사이의 약한 인력을 설명하는 분산 보정(dispersion correction)을 포함함으로써, 약한 상호작용에 대한 예측은 실험적 실재에 훨씬 더 가까워졌습니다.

정확성을 넘어, 모델의 실질적인 속도는 이 연구의 정의적인 특징입니다. 연구진은 PFP v9를 유사한 데이터로 학습된 또 다른 공개 모델인 SevenNet-Omni와 동일한 유형의 고성능 그래픽 프로세서에서 실행하여 비교했습니다. 결과는 놀라웠습니다. 새 모델은 메모리가 부족해지기 전까지 경쟁 모델보다 5배에서 10배 더 많은 원자를 포함하는 시스템을 처리할 수 있었습니다. 더욱이, 원자의 운동을 구동하는 힘을 계산할 때, 새 모델은 3~4배 더 빨랐습니다. 예를 들어 액체 상태의 물 시스템의 경우, 새 모델은 거의 118,000개의 원자로 이루어진 클러스터를 시뮬레이션할 수 있었던 반면, 다른 모델은 메모리 한계에 도달하기 전 약 12,000개 정도만을 관리할 수 있었습니다. 이러한 효율성의 도약은 과학자들이 이제 희토류 합금이나 악티늄 화합물과 같이 훨씬 더 크고 복잡한 시스템을 이전에는 불가능했던 속도로 시뮬레이션할 수 있음을 의미합니다.

저자들은 이러한 확장이 에너지 저장 장치를 위한 새로운 재료 설계부터 핵연료의 거동 이해에 이르기까지 광범위한 과학적 과제에 대한 다재다능한 도구를 제공한다고 결론짓습니다. 그러나 그들은 현재 모델이 할 수 있는 것의 경계에 대해서도 명확히 밝히고 있습니다. 모델은 표준 상태의 원자와 깨끗한 표면을 설명하는 데는 뛰어나지만, 강한 자기 상관 관계를 가진 재료나 장거리 전기 전하를 포함하는 시스템과 같은 특정 복잡한 시나리오에서는 여전히 어려움을 겪습니다. 모델은 아직 전기장 효과나 전해질을 시뮬레이션할 수 있을 만큼의 전하를 띤 결함의 거동을 고려하지 않습니다. 이것들은 향후 개발을 위한 영역으로 남아 있습니다. 현재로서는, 이 연구가 광범위한 범주의 주기율표를 탐구할 수 있는 신뢰할 수 있고 빠른 방법을 제공함으로써, 이전에는 범용 머신러닝 모델이 도달할 수 없었던 영역을 개척한 중요한 진전으로 자리 잡고 있습니다.

연구 분야의 논문에 파묻히고 계신가요?

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

Digest 사용해 보기 →