초록
그래프 신경망(GNN)은 기존의 서술자 기반 기계학습 모델에 비해 원자 구조 재료 표현 및 모델링에서 상당한 성능 향상을 보여주었다. 기존의 대부분의 원자 구조 예측을 위한 GNN 모델은 원자 간 거리 정보에 기반하고 있으나, 원자 구조를 구분하는 데 중요한 결합 각도를 명시적으로 반영하지 못하는 한계를 지닌다. 또한 많은 물질 특성이 결합 각도의 미세한 변화에 민감하다는 점이 알려져 있다. 본 연구에서는 원자 간 결합 그래프와 그에 대응하는 결합 각도를 나타내는 라인 그래프(LINE GRAPH)에 모두 메시지 전달을 수행하는 원자 구조 라인 그래프 신경망(Atomistic Line Graph Neural Network, ALIGNN)이라는 GNN 아키텍처를 제안한다. 우리는 결합 각도 정보를 명시적이고 효율적으로 포함시킬 수 있음을 입증하였으며, 이는 다양한 원자 구조 예측 과제에서 성능 향상을 가져온다. 제안한 ALIGNN 모델을 사용하여 JARVIS-DFT, Materials Project, QM9 데이터베이스에 포함된 52개의 고체상 및 분자 물질 특성을 예측하였다. ALIGNN은 기존에 보고된 일부 GNN 모델에 비해 정확도에서 최대 85%까지 향상시키며, 모델 학습 속도는 더 빠르거나 동등한 수준을 유지함으로써 원자 구조 예측 과제에서 뛰어난 성능을 발휘한다.