YBCO 고온초전도체를 위한 머신러닝 기반 원자간 포텐셜 개발 및 평가

초록

본 연구는 YBa₂Cu₃O₇₋δ(YBCO)의 산소 결함과 방사선 손상 구조를 정확히 묘사할 수 있는 네 가지 머신러닝 원자간 포텐셜(ACE, MACE, GAP, tabGAP)을 구축하고, DFT 데이터베이스를 기반으로 학습시킨 뒤 다양한 물리적 특성(압축 방정식, 탄성 상수, 결함 형성 에너지, 상전이)에서 검증하였다. MACE가 가장 높은 정확도를 보였으며, ACE와 tabGAP은 효율성과 정확도의 균형이 뛰어나다는 결론을 얻었다.

상세 분석

이 논문은 YBCO와 같이 복잡한 구조와 가변적인 산소 함량을 가진 고온초전도체에 특화된 머신러닝 포텐셜을 설계하는 데 중점을 두었다. 저자들은 먼저 DFT 기반의 대규모 데이터베이스를 구축했는데, 여기에는 평형 구조뿐 아니라 고에너지 충돌에 의해 생성되는 비평형, 결함, 산소 결핍 및 전이 상태가 포함된다. 데이터는 CP2K를 이용해 PBE‑GGA와 DZVP‑GTH 의사퍼텐셜으로 계산되었으며, 에너지 수렴을 위해 400 Ry 평면파 절단을 적용하였다.

포텐셜 모델로는 (1) 전통적인 ACE를 고차 다체 항까지 확장해 선형 스케일링을 유지하면서 복잡한 각도 상관관계를 포착하도록 설계했으며, (2) MACE는 ACE의 다체 기반을 그래프 신경망 형태의 메시지 패싱으로 확장해 3‑body 및 4‑body 상호작용을 효율적으로 학습하도록 하였다. MACE는 E(3) 대칭성을 보존하면서도 깊은 비선형 변환을 통해 높은 표현력을 얻는다. (3) GAP는 커널 기반 가우시안 프로세스 회귀를 사용해 2‑body, 3‑body, EAM 형태의 디스크립터를 결합했으며, (4) tabGAP은 GAP의 커널 연산을 저차원 테이블 보간으로 대체해 계산 비용을 크게 낮추었다.

학습 과정에서는 L2 정규화와 교차 검증을 통해 과적합을 방지하고, 각 모델의 하이퍼파라미터(예: ACE의 방사형 기저 차수, MACE의 메시지 레이어 수, GAP의 스파스 서포트 벡터 수)를 최적화하였다. 검증 단계에서는 압축 방정식, 체적 탄성 상수, 전이 온도에서의 정방-사방 상전이, 산소 결함 형성 에너지, 그리고 NEB를 이용한 산소 이동 장벽 등을 DFT와 비교하였다. MACE는 모든 테스트에서 평균 절대 오차가 5 meV/원자 이하로 가장 높은 정확도를 보였으며, 계산 시간은 ACE 대비 약 3‑4배 더 소요되었다. ACE와 tabGAP은 약 10‑15 meV/원자 수준의 오차를 유지하면서도 실시간 MD 시뮬레이션에 적합한 속도를 제공한다. GAP는 정확도는 우수하지만 메모리 사용량과 연산 시간이 크게 증가해 대규모 시뮬레이션에는 부적합하였다.

또한, 기존의 경험적 포텐셜(Gray, Baetzold, Chaplot 등)과 비교했을 때, 제안된 MLP들은 산소 결핍에 따른 정방‑사방 전이와 같은 미세 구조 변화를 정확히 재현하였다. 이는 기존 포텐셜이 산소 비정질화 시 에너지 장벽을 과소평가하거나 상전이를 전혀 포착하지 못했던 점과 대조된다. 결과적으로, 이 네 가지 포텐셜은 YBCO의 방사선 손상 메커니즘을 원자 수준에서 탐구할 수 있는 강력한 도구로 자리매김한다.