자동화된 신경망 원자간 포텐셜 학습을 위한 AiiDA‑TrainsPot

초록

AiiDA‑TrainsPot은 DFT 계산, 데이터 증강, 활성 학습을 자동으로 연결해 신경망 기반 원자간 포텐셜(NNIP)을 손쉽게 구축하는 오픈소스 워크플로우이다. 위원회 불일치(committee disagreement)를 실제 DFT 오차와 실시간 보정하여 신뢰성 있는 불확실성 추정치를 제공하고, 다양한 구조(결함, 슬랩, 클러스터, 합금 등)를 자동으로 생성·라벨링한다. 모듈식 설계로 MACE, Metatrain 등 여러 NNIP 백엔드를 지원하며, 탄소 동소체와 W‑Mo‑Te₂ 합금의 상전이 사례를 통해 높은 정확도와 데이터 효율성을 입증한다.

상세 분석

본 논문은 신경망 원자간 포텐셜(NNIP) 개발의 두 가지 핵심 난관—대규모 고품질 DFT 데이터 확보와 효율적인 학습 파이프라인 구축—을 동시에 해결하는 통합 프레임워크 AiiDA‑TrainsPot을 제시한다. 첫 번째 단계는 사용자가 제공한 소수의 초기 구조를 기반으로 ‘슈퍼셀’, ‘무작위 변형’, ‘스트레인’, ‘결함’, ‘클러스터’, ‘슬랩’, ‘원자 치환’, ‘합금’ 등 9가지 증강 기법을 조합해 수천 개의 파생 구조를 자동 생성한다. 각 구조는 사전 정의된 진공 두께와 원자 수 제한을 만족하도록 조정돼, 비주기적 시스템도 주기적 경계조건 하에서 DFT 계산이 가능하도록 만든다.

두 번째 단계는 라벨링된 DFT 데이터(에너지, 힘, 응력 텐서)를 이용해 동일 아키텍처지만 서로 다른 초기 시드와 학습 경로를 가진 M개의 NNIP 위원회를 학습한다. 여기서 핵심은 ‘위원회 불일치’를 불확실성 지표로 활용하는데, 기존 연구에서는 단순히 예측 분산을 임계값과 비교했지만, 본 연구는 실제 DFT‑NNIP 오차와의 상관관계를 실시간으로 보정(calibration)한다. 이를 위해 전자구조 디스크립터와 차원 축소(t‑SNE, PCA 등)를 적용해 불일치와 실제 오차 사이의 비선형 매핑을 학습하고, 최적의 임계값을 자동 설정한다. 결과적으로 ‘false positive’(불필요한 DFT 라벨링)와 ‘false negative’(중요 구조 누락)를 동시에 최소화한다.

활성 학습 루프는 MD 시뮬레이션(클래식 MD)에서 추출된 구조에 위원회 불일치를 적용해 새로운 라벨링 후보를 선정한다. 선택된 구조는 즉시 DFT로 재라벨링되고, 전체 데이터셋에 추가되어 다음 세대 NNIP를 재학습한다. 이 과정은 에너지·힘·응력 RMSE가 사용자가 정의한 목표값 이하가 될 때까지 반복된다.

프레임워크는 백엔드 독립성을 강조한다. 현재 MACE와 Metatrain을 기본 지원하지만, 인터페이스가 추상화돼 있어 다른 equivariant NNIP(NequIP, Allegro 등)이나 향후 등장할 포텐셜 모델도 손쉽게 연결 가능하다. 또한 ‘기초 모델(foundation model)’을 사전 학습된 가중치로 불러와 미세조정(fine‑tuning)하는 파이프라인을 제공, 대규모 화학 공간에 대한 전이 학습을 가능하게 한다.

실험에서는 (1) 다결정·비정질 탄소, (2) 결함이 포함된 탄소 구조, (3) WₓMo₁₋ₓTe₂ 2D 합금의 상전이 등 세 가지 케이스를 자동화된 워크플로우로 수행했다. 모든 경우에서 5 % 이하의 라벨링 비율로도 기존 수작업 기반 데이터셋 대비 동일하거나 더 낮은 에너지·힘 RMSE(≈2 meV/atom, ≈0.05 eV/Å)를 달성했으며, 특히 비정질 탄소와 합금 시스템에서 데이터 효율성이 크게 향상되었다.

AiiDA‑TrainsPot은 AiiDA의 재현성(integrity)와 워크플로우 관리 기능을 활용해 모든 계산 단계(입력, DFT, 라벨링, 학습, MD, 평가)를 자동으로 기록하고, provenance graph를 통해 결과 재현 및 오류 추적을 용이하게 만든다. 이는 공동 연구와 오픈소스 커뮤니티 확장에 중요한 기반을 제공한다.