결정 물성 예측을 위한 완전 원자 간 상호작용 포텐셜의 효율적인 근사화

결정 재료의 물성 예측을 연구한다. 결정 구조는 3차원 공간에서 무한히 반복되는 최소 단위 세포로 구성된다. 이러한 반복 구조를 기계학습 모델에서 정확히 표현하는 방법은 여전히 해결되지 않은 과제이다. 기존의 방법들은 근접한 원자들 사이에만 간선을 설정하여 그래프를 구성하기 때문에, 무한히 반복되는 패턴과 원자 간의 장거리 상호작용을 충실하게 포착하지 못한다. 본 연구에서는 이러한 한계를 극복하기 위해 여러 혁신을 제안한다. 첫째, 기존의 많은 방법들이 거리만을 사용하는 것과 달리, 물리학적으로 타당한 원자 간 잠재력(인터애토믹 포텐셜)을 직접 모델링하는 방안을 제안한다. 이 잠재력에는 쿨롱 잠재력, 룬던 분산 잠재력, 파울리 반발 잠재력이 포함된다. 둘째, 기존 방법이 근접한 원자들 간의 상호작용만을 고려하는 것과 달리, 모든 원자 간의 완전한 잠재력 집합을 모델링한다. 이는 무한 잠재력 합의 근사 기법을 통해 가능해지며, 특히 오일러 합산(Ewald summation)을 확장하여 여러 잠재력 시리즈에 대한 근사화를 수행하고, 오차 한계가 증명 가능한 방법을 제안한다. 셋째, 완전한 원자 간 잠재력을 메시지 전달 신경망(Message Passing Neural Networks)에 통합하여 표현 학습을 수행하는 방안을 제안한다. 제안한 방법은 JARVIS 및 Materials Project 기준 데이터셋을 활용하여 실험적으로 평가되었다. 실험 결과, 원자 간 잠재력과 완전한 원자 간 잠재력의 사용이 합리적인 계산 비용 내에서 일관된 성능 향상을 가져옴을 확인하였다. 본 연구의 코드는 AIRS 라이브러리의 일부로 공개되어 있으며, 공식 GitHub 페이지(https://github.com/divelab/AIRS/tree/main/OpenMat/PotNet)에서 확인할 수 있다.