그래프 원자 클러스터 확장을 통한 범용 머신러닝 포텐셜

초록

본 논문은 그래프 원자 클러스터 확장(GRACE) 프레임워크를 기반으로, OMat24, Alexandria, MP‑Traj 등 대규모 데이터셋을 활용한 범용 머신러닝 인터액티컬 포텐셜을 제시한다. 다양한 벤치마크에서 정확도와 효율성 모두에서 새로운 파레토 최적점을 달성했으며, 파인튜닝과 지식 증류를 통해 특수 작업에도 손쉽게 적용할 수 있음을 보였다.

상세 분석

GRACE는 전통적인 원자 클러스터 확장(ACE)을 그래프 구조로 일반화한 것으로, 원자 간 상호작용을 완전한 함수 기저로 표현한다. 트리‑그래프 형태의 베이스 함수를 텐서 분해하여 저차원 화학 임베딩을 얻고, 재귀적 평가를 메시지 패싱과 동일시함으로써 선형 스케일링을 구현한다. 이론적으로 모든 기존 GNN 아키텍처를 포함할 수 있는 보편성을 갖추면서도, 텐서 분해를 통한 희소화로 연산 비용을 크게 낮춘다.

학습 데이터는 1억 1천만 개의 DFT 계산을 포함하는 OMat24를 중심으로, Alexandria과 MP‑Traj를 보조적으로 사용하였다. OMat24는 구조 변형, AIMD 샘플링, 그리고 포스트‑릴랙스 등을 포함해 비평형 구성을 풍부히 제공하므로, 범용 포텐셜 학습에 최적이다. 모델은 1‑레이어(ACE 스타 그래프)와 2‑레이어(반구조 메시지 패싱) 구조로 각각 Small, Medium, Large 버전을 만들었으며, 화학 임베딩은 저차원 행렬 분해로 구현해 메모리와 연산량을 최소화했다.

벤치마크는 MatBench Discovery(형성 에너지와 안정성), κ‑SRME(열전도도), 탄성 상수, grain boundary, surface, point defect 등 6가지 카테고리로 구성되었다. GRACE‑2L‑OAM‑L 모델은 F1 점수 0.89, κ‑SRME 0.168 등 대부분의 지표에서 최고 수준을 기록했으며, LAMMPS와 ASE에서의 실행 시간도 20‑100배 가량 빠른 것으로 나타났다. 특히 열전도도 예측에서 κ‑SRME 0.168은 기존 모델 대비 현저히 낮아, 고차 비선형 포텐셜을 정확히 포착함을 의미한다.

파인튜닝 실험에서는 OMat24‑기반 모델을 MP‑Traj와 Alexandria 데이터에 추가 학습시켜 “‑OAM” 접미사를 부여했으며, 기존 성능을 유지하면서 새로운 화학 영역에 대한 정확도를 높였다. 지식 증류(KD)에서는 대형 GRACE 모델의 출력(에너지·힘·스트레스)을 소형 모델에 전달해, 파라미터 수는 1/4 수준으로 감소했음에도 원본 모델과 거의 동일한 정확도를 유지했다. 이는 범용 포텐셜을 경량화된 시뮬레이션 엔진에 손쉽게 이식할 수 있음을 시사한다.

MD 장기 안정성 테스트에서는 1 ns, 3000원자 FLiBe 시스템을 NVE에서 시뮬레이션했을 때 에너지 드리프트가 5 × 10⁻⁹ eV/atom/ns에 불과했다. 이는 기존 딥포텐셜 대비 1‑2 오더의 향상이며, 실제 대규모 동역학 시뮬레이션에 바로 적용 가능함을 보여준다.

전반적으로 GRACE는 완전한 함수 기저와 효율적인 텐서 분해를 결합해, 범용성, 정확도, 속도 삼박자를 모두 만족하는 차세대 인터액티컬 포텐셜 프레임워크로 자리매김한다.