Integration of a Structural Coherence Model with a Semi-Universal Machine Learning Interatomic Potential to Predict Molten Salt Thermal Conductivity

기술 요약: 용융염 열전도도 예측을 위한 구조적 결맞음 모델과 준보편적 머신러닝 원자간 포텐셜의 통합

문제 정의
용융염(특히 용융염 원자로, MSR)을 활용하는 에너지 생성 시스템의 정밀한 설계와 안전한 운용을 위해서는 낮은 불확실성을 가진 열물리적 특성의 정확한 특성 규명이 필수적이다. 질산염 염은 잘 규명되어 있는 반면, 할로겐화 염(염화물 및 불화물)은 높은 녹는점, 부식성 및 조성의 복잡성으로 인해 상당한 어려움을 안겨준다. 열전도도($k$)에 대한 실험 데이터는 매우 부족하며, 예를 들어 용융염 데이터베이스의 976개 염 조성 중 열전도도 측정값이 기록된 것은 32개뿐이며 평균 불확실성은 18%에 달한다.

데이터 공백을 메우기 위한 기존의 계산 방법들은 트레이드오프(trade-offs) 문제에 직면해 있다. 경험적 포텐셜을 사용하는 고전적 분자 동역학(MD)은 복잡한 염에 필요한 정확도가 부족할 수 있으며, ab initio MD(AIMD) 및 열전도도를 위한 표준 MD 방법(Green-Kubo, Non-Equilibrium MD)은 대규모 시스템이나 긴 시간 척도에 대해 계산 비용이 너무 많이 든다. 따라서 분석적 모델인 운동론 모델(Kinetic Theory Model, KTM)은 에너지 운반체의 평균 자유 경로에 대한 지나치게 단순화된 가정에 의존하여 예측치가 과소평가되는 경우가 많다. 다양한 염 조성에 걸쳐 열전도도를 예측하기 위해 제1원리 시뮬레이션의 정확성과 분석적 모델의 계산 효율성을 결합하는 방법론이 절실히 필요하다.

방법론: 통합 SCM-MLIP (ISM) 접근법
저자들은 통합 구조적 결맞음 및 머신러닝 원자간 포텐셜(Integrated Structural Coherence and Machine Learning Interatomic Potential, ISM) 워크플로우를 제안한다. 이 접근법은 준보편적 머신러닝 원자간 포텐셜(MLIP)인 "SuperSalt"와 일반화된 운동론에 기반한 구조적 결맞음 모델(SCM)을 결합한다.

이 워크플로우는 녹는 온도에서의 열전도도($k_{Tm}$)를 다음의 운동론 식을 통해 예측한다:
$$k = \frac{1}{3} C_p v_s \ell_{sc}$$
여기서 $C_p$는 체적 비열, $v_s$는 단열 음속, $\ell_{sc}$는 (전통적인 평균 자유 경로를 대체하는) 구조적 결맞음 길이이다.

ISM 워크플로우는 다음과 같이 진행된다:

1. 밀도 예측: 실험 데이터가 존재하는 경우 Redlich-Kister 모델을 사용하여 밀도($\rho$)를 계산하거나, 그렇지 않은 경우 SuperSalt MD 시뮬레이션을 통해 밀도를 계산한다. 밀도는 $C_p$와 $v_s$를 위한 핵심 입력값이다.
2. SuperSalt MD를 통한 물성 생성: Multi-layer Atomic Cluster Expansion 신경망인 SuperSalt MLIP를 사용하여 병렬 MD 시뮬레이션을 수행함으로써 다음 항목들을 결정한다:
   • 체적 비열 ($C_p$): NPT 앙상블 내의 엔탈피 변화를 통한 온도 스윕(temperature sweeps)으로부터 유도됨.
   • 단열 음속 ($v_s$): 바이크(Bryk)의 응력 변동법(stress fluctuation method)을 사용하여 계산되며, 이는 음속과 비리얼 응력(virial stress)의 분산 사이의 관계를 이용한다.
   • 부분 쌍 분포 함수 (pPDF): 용융염의 단거리 질서를 특징짓기 위해 생성됨.
   • 등온 체적 탄성률 ($K_T$): 온도 외삽을 지원하기 위해 계산됨.
3. 구조적 결맞음 길이 ($\ell_{sc}$): pPDF는 SCM 알고리즘을 통해 분석된다. 이 모델은 이질적인 양이온-음이온 사슬 간의 진동 에너지 전달을 방해하는 요소인 포논 전달 인자($b_{PH}$)를 포함한 결맞음 해제 인자(decoherence factors)를 평가함으로써 구조적 결맞음의 정도를 정량화한다.
4. 온도 외삽: 녹는점 이상의 온도에서 $k$를 예측하기 위해, 모델은 $C_p$, $K_T$, 그리고 열팽창 계수($\alpha$)로부터 유도된 그뤼네이젠 파라미터(Gruneisen parameter)를 사용하여 $k_{Tm}$을 외삽하는 Gheribi의 온도 의존 함수(GTDF)를 활용한다.

주요 기여 및 결과

• 계산 효율성: ISM 모델은 동일한 SuperSalt 포텐셜을 사용하는 역 비평형 분자 동역학(Reverse Non-Equilibrium MD, RNEMD)과 비교하여 상당한 계산 비용 절감을 달enc한다. 전체 ISM 예측에는 세 개의 H200 GPU에서 약 3시간이 소요되는 반면, 이에 상응하는 RNEMD 시뮬레이션은 단일 GPU에서 평균 60시간이 소요된다. 이는 1~2 자릿수(order of magnitude)의 속도 향상을 의미한다.
• 정확도 및 검증:
  • 모델은 단원소 염, 이성분 혼합물(NaCl-KCl, MgCl$_2$-KCl), 그리고 삼성분 혼합물에 대해 테스트되었다.
  • 단원소 염 및 일부 혼합물의 경우, ISM의 $k$ 예측값은 실험 데이터 및 이전의 SCM 예측값과 밀접하게 일치한다.
  • NaCl-KCl: 모델은 조성에 따른 경향성을 성공적으로 포착하지만, 공정점(eutectic point)에서의 열전도도 최솟값을 실험적 관측치보다 더 깊게 예측한다. 이러한 불일치는 포논 전달 인자($b_{PH}$)에 기인하며, 이는 이온 질량이 유사한 혼합물에서 결맞음 해제를 과대평가할 수 있음을 나타낸다.
  • MgCl$_2$-KCl: 모델은 Mg 함유 염에 대해 일부 문헌(예: Gheribi의 EMD 예측)보다 낮은 단열 음속($v_s$)을 예측하며, 이는 더 낮은 $k$ 예측으로 이어진다. 저자들은 이것이 MLIP의 실패라기보다는 Mg$^{2+}$ 복합체의 독특한 중간 범위 질서를 반영하는 것일 수 있다고 제안한다.
  • 고엔트로피 혼합물: 모델은 가상의 11-양이온 "Big" 염에 적용되었다. 예측값은 타당한 수준이었으나, $v_s$에서 높은 분산이 관찰되었으며, 이는 매우 무질서한 시스템의 경우 더 많은 시뮬레이션 시행이나 더 큰 시스템 크기가 필요함을 시사한다.
• 온도 의존성: GTDF 외삽은 KCl에 대한 이산적 ISM 예측과는 잘 일치하였으나, 실험적 상관관계보다 더 강한 온도 의존성 기울기를 보였다. 이는 온도 스케일링 메커니즘의 추가적인 개선이 필요함을 나타낸다.

의의 및 주장
본 논문은 구조적 결맞음 모델을 준보편적 MLIP와 통합하는 것이 전통적인 MD 방법의 아주 적은 계산 비용으로 현재의 실험적 불확실성 범위 내에서 용융염의 열전도도를 예측할 수 있음을 보여주는 **개념 증명(proof of concept)**으로서 ISM 방법론을 제시한다.

저자들은 이 접근법이 실험 데이터가 부족한 액티나이드 함유 염이나 복잡한 고엔트로피 혼합물을 포함한 광범위한 용융염 조성에 대한 체계적인 조사를 가능하게 한다고 주장한다. 계산 장벽을 낮춤으로써, ISM 모델은 전력 생성 시스템에 용융염을 안전하게 구현하기 위해 필요한 열물리적 특성 데이터베이스를 구축하는 경로를 제공한다. 저자들은 현재의 한계에 대해 겸허한 입장을 유지하며, 특히 마그네슘 함유 염의 음속 예측에서의 분산과 혼합 양이온 시스템에서의 진동 에너지 전달을 더 잘 포착하기 위한 포논 전달 인자($b_{PH}$)의 추가적인 개선 필요성을 명시하였다. 본 연구는 ISM 모델이 중요한 진전이지만, 열전도도 및 음속 측정의 잔여 불확실성을 해결하기 위해 표적화된 실험 및 계산 연구가 여전히 필요함을 밝히며 마무리된다.