결정구조만으로 전하 결함 형성 에너지 예측하는 머신러닝 프레임워크

초록

본 논문은 산소 공핍(O vacancy) 결함의 전하 상태(q = 0, +1, +2)에 대해, 구조 정보만을 입력으로 하는 단일 그래프 컨볼루션 신경망(CGCNN) 모델을 구축하고, Fermi 레벨 정렬·데이터 정규화·교란된 호스트 상태(PHS) 제거라는 세 가지 전처리 절차를 제시한다. 이를 통해 평균 절대 오차(MAE)를 각각 0.29 eV, 0.22 eV, 0.37 eV로 향상시켰으며, 밴드 엣지 예측 모델과 결합한 ‘joint model’로 1 800여 종의 산화물을 가상 스크리닝해 89개의 p‑type 가능 산화물, 특히 BaGaSbO를 새로운 양극성 광전재료 후보로 제시한다.

상세 분석

이 연구는 전하 결함 형성 에너지 예측이라는 고난이도 문제에 대해 두 차원의 혁신을 도입한다. 첫 번째는 데이터 전처리 단계에서 ‘Fermi 레벨 정렬’을 핵심 전위(core potential)를 기준으로 수행함으로써, 서로 다른 화합물 간 전위 차이로 인한 에너지 스케일 불일치를 해소한다. 저자들은 ZnO의 VBM을 기준으로 모든 화합물의 Fermi 레벨을 이동시킨 뒤, 전하 상태별 평균 차이(Δ)를 최소화하는 최적 ϵ_F 값을 선택해 에너지 분포를 겹치게 만든다. 이는 신경망 학습 시 목표값의 스케일이 일관되게 유지되어 가중치 업데이트 효율을 크게 높인다.

두 번째 혁신은 ‘교란된 호스트 상태(PHS)’의 처리이다. PHS는 전자가 전도대 위에 위치해 얕은(샤로우) 결함 상태를 형성하는 경우로, 작은 초셀에서는 전자 결합 에너지와 격자 경계 효과가 크게 왜곡된다. 저자들은 이러한 결함을 데이터셋에서 제거함으로써, 실제 깊은 레벨 결함에 대한 학습 정확도를 0.02–0.03 eV 정도 향상시켰다. 이는 PHS가 포함될 경우 전자와 결함 사이의 상호작용이 모델에 잡히지 않아 오차가 누적되는 현상을 효과적으로 차단한 것이다.

세 번째는 모델 구조 자체이다. CGCNN을 기반으로 원자 종류와 결합 길이를 인코딩하고, 결함이 발생한 산소 사이트의 특성을 풀링한 뒤 전하 상태 q를 추가 입력으로 결합한다. 이렇게 하면 하나의 네트워크가 q = 0, +1, +2 세 가지 전하 상태를 동시에 학습할 수 있어, 별도 모델을 구축할 필요가 없어진다. 결과적으로 테스트 셋에 대해 q = 0, +1, +2 각각 0.29 eV, 0.22 eV, 0.37 eV의 MAE를 달성했으며, 이는 이전 랜덤 포레스트(RF) 기반 모델보다 현저히 우수하다.

또한 저자들은 밴드 엣지(VBM) 예측을 위한 별도 CGCNN 모델을 훈련시킨 뒤, 결함 형성 에너지 모델과 결합한 ‘joint model’를 제안한다. 이 접근법은 VBM을 직접 계산하지 않아도 되는 가상 스크리닝 단계에서 큰 장점을 제공한다. 실제로 joint model은 단일 모델에 비해 0.02–0.07 eV 정도 정확도가 향상되었다.

가상 스크리닝 결과는 눈에 띈다. 초기 후보 1 800여 종 중, O‑rich 조건에서 모든 산소 공핍이 중성 또는 양전하 상태로만 존재해 p‑type 도핑을 방해하지 않는 89종(전체의 4.9%)만이 최종 후보로 남았다. 여기서 독성·고가 원소를 제외한 32종을 추가로 평가했으며, 전자·정공 유효 질량, 유전 상수, 광흡수 스펙트럼을 고급 하이브리드(DDH) 함수로 계산했다. 그 결과 BaGaSbO가 낮은 전자·정공 질량(0.34 m₀, 0.19 m₀), 급격한 광흡수 시작, 거의 직접적인 밴드갭을 갖는 이상적인 광전재료로 부각되었다. 또한 결함 계산 결과, 산소 공핍이 VBM 근처에서 중성으로 안정해 p‑type 도핑을 억제하지 않으며, Mg·Zn 도핑 시 n‑type, La·Y 도핑 시 p‑type 특성을 모두 보이는 양극성(p‑n) 가능성을 확인했다.

이 논문은 (1) 전하 상태가 다른 결함을 하나의 구조 기반 모델로 예측하는 방법론, (2) Fermi 레벨 정렬·데이터 정규화·PHS 제거라는 전처리 프로토콜, (3) 밴드 엣지와 결함 에너지를 동시에 예측하는 joint model, (4) 실제 재료 발굴에 적용 가능한 대규모 가상 스크리닝 파이프라인을 제시한다. 한계점으로는 현재 O‑vacancy와 같은 특정 결함 유형에 국한되어 있으며, 전하 전이 레벨 자체를 직접 예측하기엔 아직 정확도가 부족하다는 점을 언급한다. 향후 연구에서는 다양한 결함 종류와 전하 전이 레벨을 포함한 데이터베이스 구축, 그리고 더 큰 초셀을 활용한 PHS 보정 모델 개발이 필요할 것으로 보인다.