그리드 기반 그래프 컨볼루션 네트워크를 이용한 전하밀도 예측과 O(N) 스케일링

초록

본 논문은 결정 구조를 그래프 형태로 변환하고, 크리스털 그래프 컨볼루션 신경망(CGCNN)을 적용해 격자점의 전자 전하밀도를 직접 예측한다. 훈련·테스트 모두에서 평균 절대 오차가 0.1 e/ų 이하이며, R²가 0.95 이상으로 높은 정확도와 조성·구조 전이성을 보인다. 계산 비용은 원자 수에 대해 선형(O(N))으로 확장된다.

상세 분석

이 연구는 전하밀도라는 고차원 물리량을 전통적인 DFT 계산 없이도 머신러닝으로 재현할 수 있음을 입증한다. 핵심 아이디어는 격자점마다 “가상의 원자”를 삽입하고, 반경 4 Å 이내의 실제 원자들을 이웃으로 연결해 로컬 환경 그래프를 구성하는 것이다. 이렇게 만든 그래프는 원자 종류와 결합 길이 정보를 모두 포함하므로, 동일한 차원의 피처 벡터로 다양한 조성을 표현할 수 있다. CGCNN은 각 노드(가상의 원자와 실제 원자)의 특성을 반복적인 컨볼루션을 통해 업데이트하고, 평균 풀링을 통해 전역 피처를 얻어 최종적으로 전하밀도 값을 회귀한다.

데이터셋은 폴리머와 제올라이트 두 종류의 결정 구조에서 각각 30 000·와 8 000·개의 그래프를 추출해 학습에 사용하였다. 학습 규모에 따라 MAE가 감소하는 선형적인 추세가 관찰됐으며, 특히 제올라이트는 화학적 복잡도가 낮아 적은 데이터로도 높은 정확도를 달성했다. 테스트에서는 훈련에 포함되지 않은 17개의 폴리머와 9개의 제올라이트(결함 구조 포함)에 대해 RMSE가 0.06–0.10 e/ų, R²가 0.95 이상으로 전이성이 뛰어남을 확인했다.

또한 전하밀도의 라플라시안(∇²ρ)까지도 정확히 재현했으며, 이는 전하분포의 미세한 변화를 포착할 수 있음을 의미한다. 시각화 결과, 결함이 있는 구조에서도 ML 예측값과 DFT 값 사이의 차이는 전하밀도 자체에 비해 매우 작아, 실용적인 재료 설계와 결함 분석에 바로 적용 가능함을 보여준다. 계산 비용 측면에서는, 동일한 시스템에 대해 DFT는 수십 초에서 수분이 소요되는 반면, GPU 기반 ML 예측은 원자 수에 비례하는 몇 초 수준에 머물러 O(N) 확장성을 실증했다.

이러한 접근법은 (1) 전하밀도 기반 물성(전기적 포텐셜, 전자국소화 함수 등) 예측에 직접 활용 가능, (2) 대규모 시스템(수천 원자)이나 비정질 재료에 대한 고해상도 전하밀도 맵을 빠르게 생성할 수 있는 기반을 제공한다는 점에서 의미가 크다. 향후에는 비정질 고분자, 금속‑유기 골격체(MOF) 등 복잡한 구조에 대한 일반화와, 전하밀도 외에도 전자밀도 파동함수나 응답 함수 등을 학습하는 확장이 기대된다.