그래프 네트워크를 분자와 결정체의 보편적 머신 러닝 프레임워크로 사용하기

그래프 네트워크는 관계 추론과 조합적 일반화를 지원하는 새로운 머신 러닝(ML) 패러다임입니다. 본 연구에서는 분자와 결정체의 성질을 정확히 예측하기 위한 보편적인 재료 그래프 네트워크(MEGNet) 모델을 개발하였습니다. QM9 분자 데이터 세트의 13개 성질 중 11개에서 MEGNet 모델이 이전의 ML 모델인 SchNet보다 우수한 성능을 보이는 것을 입증하였습니다. 또한, 약 60,000개의 결정체에 대해 훈련된 MEGNet 모델이 결정체의 생성 에너지, 밴드갭 및 탄성 상수 예측에서 이전 ML 모델보다 크게 우월함을 보였으며, 더 큰 데이터 세트에서 DFT(Density Functional Theory)보다 우수한 정확도를 달성하였습니다.재료 과학과 화학에서 흔히 발생하는 데이터 제약 문제를 해결하기 위해 두 가지 새로운 전략을 제시합니다. 첫째, 온도, 압력 및 엔트로피를 전역 상태 입력으로 통합하여 0K와 실온에서 내부 에너지, 엔탈피 및 깁스 자유 에너지를 예측하는 네 개의 별도의 분자 MEGNet 모델을 단일 자유 에너지 MEGNet 모델로 통합하는 물리적으로 직관적인 접근 방식을 시연하였습니다. 둘째, MEGNet 모델에서 학습된 원소 임베딩이 주기적 화학 경향성을 인코딩하며, 이를 더 큰 데이터 세트(생성 에너지)로 훈련된 성질 모델로부터 전이 학습하여 적은 양의 데이터(밴드갭 및 탄성 상수)로 성능을 개선할 수 있음을 보였습니다.