기초 신경망 모델을 활용한 다중시간 단계와 증류 기반 MD 가속화

초록

본 논문은 정확한 NN 포텐셜과 빠른 증류 모델을 결합한 DMTS(Distilled Multi‑Time‑Step) 전략을 제안한다. 3.5 Å 절단을 갖는 증류 모델이 고주파(주로 결합) 힘을 담당하고, 비용이 큰 기반 모델은 3~6 fs마다만 평가한다. RESPA‑유사 다중시간 단계 통합을 적용해 1 fs 단일‑스텝 대비 물계와 단백질 시스템에서 각각 약 4배·3배의 속도 향상을 달성하면서 정적·동적 물성을 유지한다.

상세 분석

DMTS는 두 단계의 신경망 포텐셜을 계층적으로 운용한다. 상위 모델은 최신 FENNIx‑Bio1(M)와 같은 대규모 변환기 기반 NN 포텐셜로, 11 Å 수용 영역과 장거리 attention을 포함해 높은 정확도를 제공한다. 하위 모델은 동일 아키텍처를 축소해 3.5 Å 절단, 한 번의 메시지 패싱만 수행하도록 설계했으며, 이는 주로 결합 진동과 같은 고주파 힘을 근사한다. 하위 모델은 지식 증류(distillation)를 통해 상위 모델이 생성한 에너지·힘 레이블을 학습한다. 증류는 (i) 시스템‑특이적(on‑the‑fly) 방식과 (ii) 다양한 화학 데이터를 이용한 범용(generic) 방식으로 진행된다.

시간 적분은 BAOAB‑RESP A 스키마를 채택한다. 외부(큰) 타임스텝 Δt는 3~6 fs(시스템에 따라)이며, 내부(작은) 타임스텝은 Δt/n_slow≈1 fs이다. 내부 루프에서는 하위 모델만 호출하고, n_slow 단계마다 상위 모델의 힘 차이를 보정한다. 이 구조는 힘 계산 비용을 크게 감소시키면서도 에너지와 운동량 보존, 시간 가역성을 유지한다.

안정성 검증에서는 648원자 물 상자와 4800원자 대형 물 상자를 대상으로 다양한 Δt와 수소 질량 재분배(HMR)를 시험했다. HMR을 적용하면 56 fs까지 안정적으로 시뮬레이션이 진행되며, 23 fs에서는 HMR 없이도 충분히 정확한 확산 계수와 온도를 얻는다. 속도 측면에서는 단일 GPU(A100) 기준, 1 fs STS 대비 4배(소규모 물)·3배(대규모 물) 향상이 확인되었다.

또한, 소분자 용매(에탄올, 벤젠 등)와 단백질‑리간드 복합체(리소자임‑페놀)에서도 DMTS가 정확한 자유에너지와 구조를 재현한다. 소분자 수화 자유에너지 계산에서 시스템‑특이적 모델은 MAE 0.091 kcal/mol, RMSE 0.124 kcal/mol, R² 0.996을 기록했고, 범용 모델도 MAE 0.103 kcal/mol 수준을 유지했다. 단백질 시뮬레이션에서는 3.5 fs 외부 타임스텝과 1.75 fs 내부 타임스텝으로 20 ns를 안정적으로 수행했으며, 필요 시 활성학습(active learning)으로 범용 모델을 미세조정해 정확도를 높일 수 있었다.

핵심 인사이트는 (1) 고주파 힘을 담당하는 짧은 절단의 증류 모델이 충분히 정확해 MTS와 결합 가능하다는 점, (2) 지식 증류와 활성학습을 통해 범용 모델도 시스템‑특이적 수준에 근접할 수 있다는 점, (3) RESPA‑유사 스키마가 심볼릭하게 에너지 보존과 시간 가역성을 제공해 장시간 안정성을 확보한다는 점이다. 이러한 접근은 NN 포텐셜과 전통적인 힘장 사이의 성능 격차를 크게 줄이며, 대규모 생물·재료 시뮬레이션에 실용적인 가속기를 제공한다.