보편적 머신러닝 포텐셜로 복합 물질 탐색 가속화

초록

본 연구는 보편적 머신러닝 인터액티브 포텐셜(uMLIP)인 M3GNet을 활용해 사중산화물(Sr‑Li‑Al‑O, Ba‑Y‑Al‑O) 시스템의 결정구조 예측을 수행하였다. uMLIP은 기존 DFT 기반 탐색에 비해 계산 비용을 크게 낮추면서도 실험에 보고된 물질을 재발견하고, 7개의 새로운 열역학·동역학적으로 안정한 화합물을 제시한다. 그러나 PBE 기반 안정성 판단은 SCAN·RPA 등 고준위 방법과 교차 검증이 필요함을 확인했으며, 현재 CSP의 주요 병목은 탐색 알고리즘의 효율성으로 전환되었다는 점을 강조한다.

상세 분석

본 논문은 보편적 머신러닝 인터액티브 포텐셜(uMLIP) 중에서도 최초 세대 모델인 M3GNet‑DIRECT를 선택한 이유와 그 한계를 면밀히 검토한다. M3GNet‑DIRECT는 Materials Project 데이터베이스(2021.2.8)를 기반으로 DI‑RECT 샘플링 전략을 적용해 훈련되었으며, 기존 M3GNet 대비 6 meV/atom 정도의 에너지 정확도 향상을 보인다. 이러한 정확도는 12‑원자 SrLiAlO₃ 시스템에서 검증되었으며, 전형적인 CSP 워크플로우인 USPEX와 결합해 100 개의 무작위 초기 구조와 4가지 변이 연산(유전, 무작위, 돌연변이, 원자 변이)을 통해 전역 탐색을 수행한다. 적합도는 M3GNet이 제공하는 엔탈피를 사용하고, 35세대 연속 변동이 없거나 80세대에 도달하면 수렴으로 판단한다. 각 시스템별로 3회 독립 실행을 통해 재현성을 확보하였다.

검색 대상은 30원자 이하의 셀을 제한하고 전하 중성을 강제함으로써 Sr‑Li‑Al‑O에서는 17종, Ba‑Y‑Al‑O에서는 29종의 조성을 탐색했다. 결과적으로 PBE 기반 DFT 계산에서 E_hull < 30 meV/atom인 후보 6종( Sr‑Li‑Al‑O)과 2종( Ba‑Y‑Al‑O)을 도출했으며, 이 중 두 개는 실험적으로 알려진 Sr₂LiAlO₄(P2₁/m)와 Ba₂YAlO₅(P2₁/m)이다. 특히, Sr₂LiAlO₄의 새로운 삼각형 다형체(P3₂₁, 0 meV/atom)와 Sr₂Li₄Al₂O₇(P 1̅, 9 meV/atom)를 발견했는데, 전자는 기존 단사이클 구조보다 8 meV/atom 더 안정하고, 후자는 원자 교환 시 에너지 변동이 없어 무질서 구조 가능성을 시사한다. 두 후보 모두 포논 계산에서 허수 주파수가 없어 동역학적 안정성을 확인하였다.

하지만 PBE 함수는 Sr₂LiAlO₄ 다형체 간 상대 안정성을 과대평가한다. SCAN, R2SCAN, 그리고 무작위 위상 근사(RPA)와 같은 고준위 교환‑상관 함수는 실험적으로 보고된 P2₁/m 구조가 더 안정함을 일관되게 예측한다(차이 44–52 meV/f.u.). 이는 PBE가 복합 산화물의 에너지 지형을 정확히 묘사하지 못함을 보여주며, uMLIP 기반 CSP 결과를 최종 검증할 때는 반드시 고준위 DFT 혹은 RPA 수준의 계산을 병행해야 함을 강조한다.

또한, uMLIP 자체는 계산 비용을 수십 배 이상 절감하지만, 탐색 효율성은 여전히 제한 요인이다. 현재 USPEX의 변이 연산과 세대 수 설정이 복합 구조 공간을 충분히 샘플링하지 못할 경우, 잠재적인 저에너지 구조를 놓칠 위험이 있다. 따라서 향후 연구는 (1) 보다 효율적인 전역 최적화 알고리즘(예: 강화학습 기반 탐색, 베이지안 최적화)과 (2) uMLIP의 불확실성 추정(예: 앙상블 모델) 결합을 통해 탐색 비용을 추가로 감소시키는 방향으로 진행될 필요가 있다.

요약하면, M3GNet‑DIRECT는 복합 사중산화물 시스템에서 실험적 구조를 재현하고 새로운 안정한 화합물을 발굴하는 데 성공했으며, uMLIP 기반 CSP가 실질적인 재료 발견 파이프라인에 적용 가능함을 입증한다. 그러나 에너지 정확도와 구조 안정성 판단을 위해 고준위 전자구조 계산과 탐색 알고리즘의 고도화가 필수적이다.