프리트레이닝이 만든 안정한 머신러닝 포스 필드: GemNet‑T의 MD 시뮬레이션 향상

초록

본 연구는 그래프 신경망인 GemNet‑T를 MLFF로 활용해 두 가지 학습 전략을 비교한다. (1) MD17 데이터 10 K 샘플만으로 직접 학습, (2) 대규모 촉매 데이터셋 OC20으로 사전 학습 후 MD17에 미세조정. 두 모델 모두 5 meV/Å 수준의 낮은 힘 MAE를 보였지만, 사전 학습 모델은 시뮬레이션 안정성이 3배 이상 향상돼 300 ps 전체 구간을 무사히 유지했다. 분석 결과, 사전 학습이 잠재 표현을 구조화하고, 국소 기하 변동에 대한 힘 응답을 부드럽게 하며, 인접 구성 사이의 힘 차이를 일관되게 만들어 MD 안정성을 크게 높인다는 점을 확인하였다.

상세 분석

GemNet‑T는 방향성 임베딩과 트리플 기반 메시지 패싱을 통해 원자 간 방사·각도 정보를 정밀히 포착한다. 본 논문에서는 먼저 MD17의 아스피린 데이터(≈10 K)만으로 학습한 ‘스크래치 모델’과, OC20‑S2EF‑2M(200만 구조)으로 사전 학습한 뒤 동일 MD17 데이터에 미세조정한 ‘프리트레인 모델’의 성능을 비교하였다. 두 모델 모두 훈련 단계에서 힘 MAE가 5 meV/Å 수준으로 거의 동일했지만, MD 시뮬레이션에서의 불안정 현상은 크게 차이났다. 스크래치 모델은 평균 100 ps 전후에 결합 길이가 허용 오차(0.5 Å)를 초과하며 시뮬레이션이 중단되는 반면, 프리트레인 모델은 300 ps 전체 구간을 유지했다.

안정성 차이는 잠재 공간의 구조적 차이에서 비롯된다. 사전 학습 단계에서 다양한 촉매‑흡착 시스템을 경험함으로써 원자 간 상호작용의 보편적 패턴을 학습하고, 이는 미세조정 단계에서 작은 데이터셋에 과적합되는 위험을 감소시킨다. 구체적으로, 프리트레인 모델은 (i) 원자·엣지 임베딩의 분산이 더 균일하고, (ii) 입력 기하 변동에 대한 힘 응답 곡선이 부드러워 작은 오류가 누적되지 않는다. 또한, 인접 시점 간 힘 차이(ΔF)의 표준편차가 30 % 감소해, 시간 전진 시 힘이 급격히 변하는 현상이 억제된다. 이러한 특성은 뉴턴 방정식 통합 시 에너지 보존과 온도 제어(Nosé‑Hoover)에서의 수치 안정성을 직접적으로 향상시킨다.

또한, 논문은 전통적인 힘 MAE만으로 MD 안정성을 평가하기엔 부족함을 강조한다. 구조적 검증 지표로서 결합 길이 변동, 페어‑거리 분포 함수(h(r))의 MAE 등을 도입했으며, 프리트레인 모델은 h(r) MAE가 0.02 Å 이하로 스크래치 모델보다 현저히 낮았다. 이는 물리적으로 비현실적인 구조 왜곡을 방지하고, 장시간 시뮬레이션에서도 원자 배치가 실제 DFT 궤적과 일치함을 의미한다.

결론적으로, 대규모 다중 도메인 데이터셋을 통한 사전 학습은 (1) 잠재 표현의 일반화, (2) 힘 응답의 연속성, (3) 시뮬레이션 중 발생하는 급격한 힘 변동 억제라는 세 축에서 MD 안정성을 크게 강화한다. 이는 향후 복잡한 화학계(촉매 표면, 고분자, 배터리 전해질 등)에서 MLFF 기반 장시간 시뮬레이션을 실용화하는 데 핵심 전략이 될 수 있다.