정밀 DFT 수준 물 물성 예측을 위한 equivariant MACE 포텐셜

초록

본 논문은 RPBE‑D3 데이터베이스로 학습된 equivariant 그래프 신경망인 MACE를 이용해 물의 밀도 등압선, 확산계수, 방사형분포함수 및 융점 등을 DFT 수준 정확도로 계산한다. MACE는 전통적인 커널 기반 포텐셜(KbP)보다 에너지·힘 오차가 5배 이상 낮아 열역학적 재가중치(Thermodynamic Reweighting)를 최소 편향으로 수행할 수 있다. 계산 비용은 KbP보다 4배 정도 높지만, 대규모 GPU 가속을 통해 실용적인 시뮬레이션이 가능하다. 결과는 기존 KbP 연구와 일치하면서도 DFT 앙상블에 직접 검증할 수 있다는 장점을 제공한다.

상세 분석

본 연구는 물의 첫 원리 시뮬레이션이 갖는 “느린 동역학”이라는 근본적인 병목을 머신러닝 기반 인터액션 포텐셜(MLP)로 극복하고자 한다. 특히, equivariant 그래프 신경망인 MACE(Multi‑Atomic‑Coordinate‑Equivariant)를 선택한 이유는 두 가지 핵심 특성 때문이다. 첫째, 회전·대칭 변환에 대해 정확히 불변(equivariant)인 메시지 패싱 구조는 전하·쌍극자와 같은 벡터량을 자연스럽게 다룰 수 있어 장거리 전자기 상호작용을 보다 정밀하게 모델링한다. 둘째, MACE는 높은 차수(L=2)까지의 텐서 특성을 학습함으로써 기존 스칼라 기반 GAP, KbP 등보다 에너지와 힘의 RMSE를 현저히 낮춘다. 실제로 논문에서 보고된 테스트 셋(128‑분자)에서 MACE(L=2)의 에너지 오차는 0.09 meV/atom, 힘 오차는 5 meV/Å에 불과했으며, 이는 KbP 대비 약 5배 개선된 수치이다.

데이터셋 구축 과정에서도 중요한 교훈을 얻는다. 초기 KbP 기반 액티브 러닝 데이터베이스를 RPBE‑D3 DFT 계산으로 재평가한 뒤, MACE가 탐지한 “구조적 공백”을 추가로 채워 2 370개의 구조(총 452 127 원자)로 확장하였다. 이 과정에서 MACE가 기존 KbP가 놓친 미세한 스트레스 편향(≈50 bar)을 발견하고, 후처리로 보정함으로써 학습 정확도를 한층 끌어올렸다.

열역학적 재가중치(Thermodynamic Perturbation Theory, TPT)는 MLP와 DFT 사이의 볼츠만 분포 겹침이 충분히 클 때만 유효하다. MACE의 낮은 에너지 오차는 이 겹침을 크게 확대시켜, MLP 기반 MD에서 얻은 관측값을 거의 편향 없이 DFT 앙상블로 옮길 수 있게 한다. 반면, KbP는 에너지 오차가 커 재가중치 시 통계적 불안정성이 발생할 위험이 있다.

시뮬레이션 결과는 밀도 등압선, 최대 밀도 온도, 확산계수, RDF, 그리고 융점 등 물의 핵심 물리량을 포괄한다. 128‑분자 셀에서 10 ns 이상 병렬 템퍼링을 수행한 결과, MACE는 실험값과 비교했을 때 약간 낮은 밀도와 약간 높은 최대 밀도 온도를 예측했지만, 전체 곡선 형태는 KbP와 거의 일치한다. 특히, 800‑분자 고체‑액체 인터페이스 시뮬레이션을 통해 얻은 융점 283.8 K는 KbP가 제시한 287 K보다 4 K 낮아, 최대 밀도 온도와 일관된 경향을 보인다.

계산 효율성 측면에서 MACE는 GPU 가속(RTX 6000) 하에 단일 정밀도 시뮬레이션이 KbP(CPU 전용) 대비 약 4배 느리지만, 메모리 요구량과 GPU 수요가 높은 점이 제한 요인이다. 또한, 현재 구현에서는 이미지당 하나의 GPU가 필요해 대규모 병렬 템퍼링(수십~수백 이미지)에는 제약이 있다. 그럼에도 불구하고, MACE가 제공하는 DFT‑레벨 정확도와 재가중치 가능성은 고성능 컴퓨팅 자원이 충분히 확보된 연구 환경에서 매우 매력적인 선택이 된다.

결론적으로, equivariant MACE는 기존 KbP 대비 에너지·힘 정확도가 현저히 향상되어, 물의 열역학적 특성을 DFT 수준으로 재현하면서도 실용적인 시뮬레이션 시간을 제공한다. 이는 물뿐 아니라 장거리 전자기 상호작용이 중요한 다른 액체·고체 시스템에도 일반화될 가능성을 시사한다.