역공간 회절을 이용한 불변 결정 특성 예측 모델 PRDNet

초록

본 논문은 기존 그래프 기반 결정 표현이 장거리 상호작용을 놓치는 문제를 해결하고자, 학습 가능한 가짜 입자(pseudo‑particle)를 이용해 합성 회절 패턴을 생성하는 PRDNet을 제안한다. 회절 정보를 복합 모달리티로 결합함으로써 결정의 회전·반사·이동에 대한 완전 불변성을 확보하고, Materials Project, JARVIS‑DFT, MatBench 등 대규모 벤치마크에서 최첨단 성능을 달성한다.

상세 분석

PRDNet의 핵심 아이디어는 실험적 X‑ray·전자·중성자와 같은 물리적 프로브 대신, 신경망으로 학습된 가짜 입자(pseudo‑particle)를 도입해 회절 강도를 계산한다는 점이다. 기존 물리적 프로브는 원자 종류와 전자 구름에만 의존해, 동일 원소이지만 화학적 환경이 다른 원자를 구분하지 못한다는 한계가 있다. 학습 가능한 가짜 입자는 원자 종류, 주변 전하 밀도, 그리고 회절 벡터 Q에 대한 복합 의존성을 내재화함으로써, 동일 원소라도 서로 다른 결합 환경을 구별할 수 있다.

또한, 회절 패턴 자체가 결정 전체의 주기성을 반영하는 전역 특성이므로, 이를 그래프 기반 로컬 인코딩과 별도의 모달리티로 취급한다. PRDNet은 (1) 그래프 신경망(GNN)으로 원자 간 근거리 상호작용을 캡처하고, (2) 가짜 입자 기반 회절 모듈로 장거리 상관을 전역적으로 인코딩한다. 두 모달리티는 뒤이어 다중‑헤드 어텐션을 통해 융합되며, 이 과정에서 크리스털 대칭군(회전·반사·이동)에 대한 불변성을 보장하기 위해 equivariant/invariant 설계 원칙을 적용한다.

수학적으로는 구조인자 F(Q)=∑ₙ fₙ(Q)·e^{-iQ·rₙ} 를 일반화한다. 여기서 fₙ(Q)는 고정된 물리적 형상인자가 아니라, 원자 종류와 주변 환경을 입력으로 하는 신경망 Φ(Aₙ, Gθ(rₙ))에 의해 동적으로 생성된다. 이렇게 하면 형상인자가 Q와 Gθ(rₙ) 모두에 의존하게 되어, 기존 Ewald‑summation 기반 방법이 무시한 중요한 물리적 정보를 복원한다.

대칭 불변성은 두 단계에서 구현된다. 첫째, 입력 결정은 표준화된 원자 좌표와 격자 행렬을 사용해 원시 그래프와 회절 벡터를 생성한다. 둘째, 회절 모듈은 Q를 격자 기반 브래그 포인트 집합으로 제한하고, 각 Q에 대해 Φ가 출력하는 fₙ(Q)를 사용해 F(Q)를 계산한다. 이때 Q 자체가 격자 변환에 따라 변하지 않으므로, 전체 회절 패턴은 결정의 공간군에 대해 불변이다.

실험 결과는 세 가지 주요 벤치마크에서 기존 최첨단 모델(CGCNN, ALIGNN, M3GNet, PotNet 등)을 능가함을 보여준다. 특히, 전자 밴드갭, 형성 에너지, 열전도율 등 장거리 전자 상호작용에 민감한 물성 예측에서 평균 절대 오차(MAE)가 10~15% 정도 개선되었다. 또한, ablation study를 통해 (i) 가짜 입자 없이 전통적인 X‑ray 형상인자를 사용했을 때 성능 저하, (ii) 회절 모듈을 제외했을 때 그래프만으로는 장거리 상관을 포착하지 못함을 확인했다.

이 논문은 결정 물성 예측에 있어 “실제 물리적 프로브가 아니라 학습 가능한 프로브”라는 새로운 패러다임을 제시한다. 회절 정보를 전역적인 불변 특징으로 활용함으로써, 기존 그래프 기반 모델이 놓치던 장거리 상호작용과 대칭성 문제를 동시에 해결한다는 점에서 학계와 산업계 모두에게 큰 의미를 가진다.