기계 학습을 통해 재료 모델링을 위한 대규모의 정확한 전자 구조 계산이 가능합니다.

2023년 7월 7일

이 기사는 Science X의 편집 과정 및 정책에 따라 검토되었습니다. 편집자들은 콘텐츠의 신뢰성을 보장하면서 다음 특성을 강조했습니다.

사실 확인된

신뢰할 수 있는 출처

교정하다

헬름홀츠 독일 연구 센터 협회

전자 구조로 알려진 물질 내 전자의 배열은 약물 설계 및 에너지 저장과 같은 기초 연구뿐만 아니라 응용 연구에서도 중요한 역할을 합니다. 그러나 다양한 시간과 길이 규모에 걸쳐 높은 충실도와 확장성을 모두 제공하는 시뮬레이션 기술의 부족은 오랫동안 이러한 기술 발전의 장애물이었습니다.

독일 괴를리츠에 있는 Helmholtz-Zentrum Dresden-Rossendorf(HZDR)의 고급 시스템 이해 센터(CASUS)와 미국 뉴멕시코 주 앨버커키에 있는 Sandia 국립 연구소의 연구원들은 이제 기계 학습 기반 시뮬레이션 방법을 개척했습니다. 기존의 전자 구조 시뮬레이션 기술을 대체합니다.

MALA(재료 학습 알고리즘) 소프트웨어 스택을 사용하면 이전에는 달성할 수 없었던 길이 척도에 액세스할 수 있습니다. 이 연구는 npj Computational Materials 저널에 게재되었습니다.

전자는 근본적으로 중요한 기본 입자입니다. 서로 간의 그리고 원자핵과의 양자 역학적 상호 작용은 화학 및 재료 과학에서 관찰되는 수많은 현상을 발생시킵니다. 물질의 전자 구조를 이해하고 제어하면 분자의 반응성, 행성 내 구조 및 에너지 전달, 물질 고장 메커니즘에 대한 통찰력을 얻을 수 있습니다.

고성능 컴퓨팅 기능을 활용하는 컴퓨팅 모델링 및 시뮬레이션을 통해 과학적 과제가 점차 해결되고 있습니다. 그러나 양자 정밀도로 현실적인 시뮬레이션을 달성하는 데 중요한 장애물은 다양한 길이와 시간 규모에 걸쳐 높은 정확도와 확장성을 결합하는 예측 모델링 기술이 부족하다는 것입니다.

고전적인 원자 시뮬레이션 방법은 크고 복잡한 시스템을 처리할 수 있지만 양자 전자 구조가 누락되어 적용 가능성이 제한됩니다. 반대로, 경험적 모델링 및 매개변수 피팅(제1원리 방법)과 같은 가정에 의존하지 않는 시뮬레이션 방법은 높은 충실도를 제공하지만 계산량이 까다롭습니다. 예를 들어, 널리 사용되는 제1원리 방법인 밀도 함수 이론(DFT)은 시스템 크기에 따라 3차 스케일링을 나타내므로 예측 능력이 소규모로 제한됩니다.

연구진은 이제 MALA(Materials Learning Algorithms) 소프트웨어 스택이라는 새로운 시뮬레이션 방법을 제시했습니다. 컴퓨터 과학에서 소프트웨어 스택은 특정 문제를 해결하기 위한 소프트웨어 애플리케이션을 만들기 위해 결합된 알고리즘과 소프트웨어 구성 요소의 모음입니다.

렌츠 피들러(Lenz Fiedler) 박사 CASUS의 MALA 학생이자 핵심 개발자인 "MALA는 기계 학습과 물리학 기반 접근 방식을 통합하여 재료의 전자 구조를 예측합니다. 딥 러닝이라는 확립된 기계 학습 방법을 활용하여 국지적 양을 정확하게 예측하는 하이브리드 접근 방식을 사용합니다. 전 세계 관심 수량을 계산하기 위한 물리 알고리즘으로 보완됩니다."

MALA 소프트웨어 스택은 공간의 원자 배열을 입력으로 사용하고 이중 스펙트럼 구성 요소로 알려진 지문을 생성합니다. 이는 데카르트 격자점 주위의 원자 공간 배열을 인코딩합니다. MALA의 기계 학습 모델은 이 원자 근처를 기반으로 전자 구조를 예측하도록 훈련되었습니다. MALA의 중요한 장점은 기계 학습 모델이 시스템 크기에 독립적이라는 점입니다. 이를 통해 소규모 시스템의 데이터를 학습하고 어떤 규모로든 배포할 수 있습니다.