아모르포스 물질과 복합 시스템의 모든 스케일에서 숨겨진 구조 탐지

초록

본 논문은 네트워크 분석과 정보 이론을 결합한 새로운 방법을 제안한다. 이 방법은 저불규칙성 결정 구조에서 기본 단위셀과 위상 결함을 자동으로 식별하고, 명확한 질서 정의가 어려운 비정질 및 유리 물질에서도 잠재적 구조 단위를 찾아낸다. 정적·동적 시스템 모두에 적용 가능하며, 사전 가정 없이 물리적 구조를 탐지한다.

상세 분석

이 연구는 물질 내부의 복잡한 상호작용을 그래프 형태로 변환한 뒤, 커뮤니티 탐지 알고리즘을 이용해 의미 있는 서브구조를 추출한다는 기본 아이디어에 기반한다. 원자 혹은 입자를 노드로, 거리, 결합 에너지, 상호작용 강도 등 물리적 관계를 가중치가 부여된 엣지로 정의한다. 이후 모듈러리티 최적화와 같은 전통적인 네트워크 클러스터링 기법을 다중 해상도(다중 스케일) 프레임워크와 결합해, 서로 다른 길이 스케일에서의 구조를 동시에 탐색한다. 특히, 정보 이론적 측면에서 엔트로피와 상호정보량을 활용해 커뮤니티 분할의 안정성을 정량화하고, 최적의 해상도 파라미터를 자동 선택한다.

저불규칙성 시스템(예: 단순 입방체 격자, 2차원 정사각형 격자)에서는 이 방법이 기대되는 기본 단위셀을 정확히 재현하고, 결함(전위, 전단 결함 등)을 고유한 커뮤니티 경계로 식별한다. 이는 기존의 구조 인식 기법이 필요로 하는 사전 지식(예: 격자 상수, 대칭군) 없이도 가능함을 의미한다. 비정질 시스템, 특히 금속 유리와 같은 아모르포스 물질에 적용했을 때는, 전통적인 라디얼 분포 함수(RDF)나 구조 인자와는 다른, 지역적 밀도 변동과 연결 패턴을 반영한 “자연 구조”를 제시한다. 이러한 구조는 동적 시뮬레이션에서 시간에 따라 변하는 커뮤니티를 추적함으로써, 구조적 재배열, 원자 이동 경로, 그리고 장기적인 동역학적 상관관계를 파악하는 데 활용될 수 있다.

알고리즘의 복잡도는 그래프 구축 단계에서 O(N²) (N은 원자 수) 정도이며, 커뮤니티 탐지는 일반적으로 O(N log N) 수준이다. 대규모 시뮬레이션(수십만 원자)에서도 병렬화와 희소 행렬 기법을 적용하면 실용적인 실행 시간이 확보된다. 한계점으로는 엣지 가중치 정의가 물질 종류에 따라 달라야 한다는 점과, 매우 높은 온도·압력 조건에서의 노이즈가 커뮤니티 경계에 영향을 미칠 수 있다는 점을 들 수 있다. 향후 연구에서는 머신러닝 기반 가중치 최적화와, 실험적 X-선 회절 데이터와의 직접 연계가 제안된다.