딥러닝으로 푼 평균 첫 통과 시간 지도: 화학적 단거리 순서와 확산 완화 동역학

초록

본 논문은 원자 규모 확산 완화 현상을 장시간 스케일에서 예측하기 위해 평균 첫 통과 시간(MFPT)을 딥 뉴럴 네트워크로 학습하는 프레임워크를 제시한다. 마코프 가정에 기반한 재귀식과 딥 강화학습(DRL) 가속 원자 시뮬레이션을 결합해 전이 확률과 체류 시간을 효율적으로 수집하고, 이를 그래프 신경망(GNN)으로 모델링한다. CrCoNi 합금의 결함 매개 화학적 단거리 순서(SRO) 진화를 사례 연구로 적용해 실험과 일치하는 전이 시간 스케일을 얻었다.

상세 분석

이 연구는 기존 분자동역학(MD)이나 전통적인 킬레톤 몬테카를로(kMC)가 접근하기 어려운 ‘분당 수천~수백만 번의 전이’가 일어나는 장시간 현상을 다루기 위해 두 가지 핵심 아이디어를 도입한다. 첫 번째는 MFPT를 직접 샘플링하는 대신, 상태 s 에서 목표 집합 G (열역학적 평형 SRO)까지의 평균 도달 시간을 재귀적으로 정의한 식 (5) 을 이용하는 것이다. 이 식은 현재 상태의 체류 시간 t_residence(s)와 인접 상태 s′ 에 대한 전이 확률 P(a) 을 사용해 MFPT를 업데이트한다. 마코프 가정이 성립한다면, 모든 가능한 경로를 일일이 시뮬레이션할 필요 없이 베일만 방정식 형태의 업데이트만으로 수렴한다는 점이 핵심이다.

두 번째는 학습 데이터 구축을 가속화하기 위해 DRL 기반 에이전트를 활용한다. DRL‑LSS(Lower‑Energy State Sampler)는 자유에너지 최소화를 목표로 하여 빠르게 평형 집합 G 의 중심과 변동 폭을 찾고, DRL‑TKS(Transition‑Kinetics Simulator)는 해당 평형으로부터 중간 상태를 샘플링해 실제 전이 네트워크를 생성한다. 여기서 전이 장벽 E_A 와 시도 진동수 ν_A 는 사전 학습된 GNN 기반 반응 모델이 예측한다. 이 모델은 MACE‑MP‑0이라는 범용 머신러닝 포텐셜을 이용해 생성된 데이터로 훈련되었으며, 테스트 셋에서 E_A 와 ln ν_A 에 대해 높은 정확도를 보인다.

그래프 신경망은 원자 구조와 결함(공석) 전이를 동시에 인코딩함으로써, 각 상태 s 와 인접 전이 (s→s′) 에 대한 MFPT θ(s) 를 예측한다. 학습 과정은 TD(Temporal‑Difference) 학습과 유사하게 베일 방정식의 손실을 최소화하는 형태로 진행되며, 전체 네트워크 파라미터 θ 는 역전파를 통해 반복적으로 업데이트된다. 수렴된 MFPT는 ‘시간 풍경(timescape)’이라 부르는 고차원 함수 형태로, 특정 초기 무작위 고용체(s₀)에서 평형 G 에 도달하는 평균 시간을 직접 제공한다.

실험 적용 사례인 CrCoNi 합금에서는 공석 매개 확산을 통해 화학적 SRO가 형성되는 과정을 모델링한다. DRL‑LSS와 전통적인 메트로폴리스‑몬테카를로(MMC) 샘플링을 결합해 평형 G 의 중심을 정확히 추정하고, DRL‑TKS가 생성한 전이 궤적을 통해 충분한 상태‑전이 쌍을 확보한다. 결과적으로, 예측된 SRO 형성 시간(수십 초~수시간)은 실제 고온 어닐링 실험에서 보고된 시간과 정량적으로 일치한다. 이는 기존 kMC가 수천 년 스케일을 요구하던 문제를 몇 시간 내의 GPU 연산으로 해결한 셈이다.

이 프레임워크의 장점은 (1) 전이 확률과 체류 시간을 직접 계산하거나 NEB와 같은 고비용 방법에 의존하지 않고, GNN이 예측한 E_A, ν_A 만으로 충분히 정확한 전이율을 얻는다. (2) DRL을 이용해 평형 집합을 빠르게 탐색함으로써 데이터 효율성을 크게 높인다. (3) MFPT를 직접 학습함으로써 ‘시간’이라는 물리량을 손쉽게 추출할 수 있어, 공정‑구조‑특성 관계를 정량적으로 연결하는 데 유리하다. 다만, 마코프 가정이 깨지는 경우(예: 장거리 상호작용이나 비평형 상태에서의 메모리 효과)에는 정확도가 떨어질 수 있으며, 상태 공간이 급격히 커지는 고복합계(예: 다중 공석, 복합 결함)에서는 추가적인 차원 축소 혹은 샘플링 전략이 필요할 것이다.