머신러닝 포텐셜로 구현한 2차원 펜타실리센의 효율적 분자동역학 시뮬레이션

초록

본 연구는 DeepMD‑kit 기반 머신러닝 인터액티브 포텐셜(MLIP)과 전통적인 Tersoff‑SiC 포텐셜을 이용해 2차원 펜타실리센(penta‑silicene) 시트를 대규모 분자동역학(MD) 시뮬레이션하였다. 온도 구간 100 K–900 K에서 생성한 AIMD 데이터로 MLIP를 학습시킨 뒤, NVT 및 NPT 조건에서의 용융 온도(Tg)를 각각 632 K와 606 K로 예측했으며, 전통 포텐셜보다 낮은 용융점을 보였다. RDF 분석에서는 2.275 Å와 2.375 Å 두 개의 특성 피크가 관찰돼 구조적 세부 정보를 더 정확히 재현함을 확인하였다. 또한 10 ps 동안 온‑더‑플라이(on‑the‑fly) 학습을 수행해 구조 안정성을 검증하였다.

상세 분석

본 논문은 머신러닝 기반 인터액티브 포텐셜(MLIP)의 실제 적용 가능성을 2차원 펜타실리센이라는 비교적 새로운 2D 물질에 대해 체계적으로 검증한다는 점에서 의미가 크다. 먼저, 저자들은 VASP를 이용해 4×4×1 슈퍼셀(96원자)에서 100 K부터 900 K까지 0.5 ps(500 fs) 길이의 AIMD 데이터를 수집하고, Γ‑점만을 사용해 전자 구조를 간소화함으로써 데이터 생성 비용을 최소화하였다. 이때 Nose‑Hoover 온도 조절기를 적용해 NVT ensemble을 유지했으며, 0.5 fs의 타임스텝을 사용해 원자 진동을 충분히 포착하였다.

DeepMD‑kit에 입력된 피처는 원자 간 거리 R_ij와 좌표 차이를 포함하는 4차원 디스크립터 D_ij이며, 컷오프 반경을 6 Å, 스무딩 반경을 5.8 Å로 설정하였다. 신경망 구조는 3개의 은닉층(각 25, 50, 100 뉴런)과 240개의 출력 뉴런으로 구성되었고, 학습률은 1×10⁻³에서 3.5×10⁻⁸까지 지수적으로 감소시켰다. 배치 수는 1×10⁶으로 설정해 과적합을 방지했으며, 에너지, 힘, 바이올러스에 각각 1, 0.1, 0.001의 가중치를 부여해 다중 손실 함수를 최적화하였다.

학습 결과는 에너지 RMSE가 10⁻⁶–10⁻⁵ eV/atom, 힘 RMSE가 10⁻³–10⁻² eV/Å 수준으로, 특히 300 K와 400 K에서 가장 낮은 오차를 보였다. 이는 온도에 따른 구조 다양성이 학습 데이터의 풍부함에 직접적인 영향을 미친다는 저자들의 가설을 실증한다. 반면 100 K에서는 열진동이 제한적이어서 데이터 다양성이 부족해 오차가 상대적으로 크게 나타났다.

MLIP를 LAMMPS에 적용해 2400원자(111.63 Å×111.63 Å) 규모의 펜타실리센 시트를 시뮬레이션했다. NVT와 NPT ensemble에서 각각 632 K와 606 K의 용융 온도를 관측했으며, 이는 기존 Tersoff‑SiC 포텐셜이 예측한 높은 용융점보다 현저히 낮다. RDF 분석에서는 2.275 Å와 2.375 Å 두 피크가 나타나, MLIP가 실험적으로 보고된 두 종류의 Si‑Si 결합 길이를 동시에 재현함을 보여준다. 반면 Tersoff 포텐셜은 2.375 Å 피크만을 제공해 구조적 세부 묘사에 한계가 있음을 확인했다.

또한, 온‑더‑플라이 학습을 10 ps(1 fs 타임스텝) 동안 수행해 구조 안정성을 실시간으로 평가했다. 온도 300 K–700 K 구간에서 원자 배열이 크게 변형되지 않으며, 700 K 이상에서는 점진적인 변형이 시작되지만 10 ps 내에서는 완전한 용융이 일어나지 않았다. 이는 MLIP가 장시간 대규모 MD 시뮬레이션에서도 안정적인 포텐셜을 제공한다는 실증적 근거가 된다.

전체적으로, 본 연구는 (1) 제한된 AIMD 데이터로도 높은 정확도의 MLIP를 구축할 수 있음을, (2) 전통적인 고전 포텐셜 대비 구조·열역학적 특성을 더 정밀하게 예측함을, (3) 온‑더‑플라이 학습을 통해 실시간 포텐셜 업데이트가 가능함을 입증한다. 다만, 0.5 ps의 짧은 AIMD 샘플링과 Γ‑점만 사용한 k‑공간 처리, 그리고 10 ps 이하의 온‑더‑플라이 시뮬레이션 길이 등은 장기 동역학 및 복잡한 결함/계면 현상에 대한 일반화에 제한을 남긴다. 향후 연구에서는 더 긴 AIMD 샘플링, 다중 k‑점 사용, 그리고 다양한 결함·외부 응력 조건을 포함한 데이터베이스 구축이 필요하다.