전하와 스핀을 다루는 폴라리제이션 기반 전기적 기초 모델 MACE POLAR 1

본 논문은 전기적 상호작용과 전하·스핀 전이 현상을 정확히 기술할 수 있는 새로운 머신러닝 기반 원자간 포텐셜, MACE‑POLAR‑1을 제안한다. 기존 MACE 아키텍처는 메시지 패싱을 통해 원자 주변의 로컬 기하학·화학 정보를 고차원 피처로 변환하고, 이를 바탕으로 짧은 거리(10~20 Å) 내의 에너지를 예측한다. 그러나 전하가 비중성인 시스템, 이온성 물질, 대규모 바이오분자 등에서는 장거리 1/r 전기 상호작용이 지배적이며, 로컬 피처만으로는 이러한 효과를 포착할 수 없다. 이를 해결하기 위해 저자들은 두 단계의 물리‑기계적 확장을 설계하였다. 첫 번째 단계는 “전하·스핀 다중극자”를 학습하고, 이를 전기장에 따라 반복적으로 업데이트하는 폴라리제이션 메커니즘이다. 초기 다중극자는 MACE 레이어에서 추출된 로컬 피처를 통해 예측되며, 전하·스핀 밀도 ρ(r)를 스무딩된 원자 중심 가우시안으로 구성한다. ρ(r)를 쿠론 커널과 컨볼루션해 전기 퍼텐셜 v(r)를 얻고, 이를 조화 함수에 투사해 equivariant 전기 피처 v_i,nlm을 만든다. 이 피처는 다시 전하·스핀 다중극자를 예측하는 작은 신경망에 입력되어 새로운 다중극자를 생성한다. 이 과정을 두 번 반복함으로써, 원자 간 전하 재배치와 유도(폴라리제이션) 효과를 비자기 일관성 방식으로 근사한다. 두 번째 단계는 전체 시스템의 전하 Q와 스핀 S를 정확히 맞추기 위해 “학습 가능한 Fukui 함수”를 도입한다. Fukui 함수는 전자 친화도와 전자 방출도를 나타내는 파라미터로, 여기서는 원자별 환경에 따라 신경망이 예측한다. 예측된 Fukui 값은 전하·스핀 다중극자에 전역 정규화를 적용해 총 전하와 스핀이 목표값과 일치하도록 조정한다. 이 과정은 전자 구조 이론의 전자 수 보존 원칙을 머신러닝에 직접 삽입한 것으로, 전하 분리 오류와 과다 스크리닝 문제를 근본적으로 해결한다. 에너지 함수는 세 부분으로 분해된다. E_local은 기존 MACE가 학습하는 짧은 거리 상호작용을 담당한다. E_electrostatic은 스무딩된 ρ(r)와 전기 퍼텐셜 v(r) 사이의 쿠론 상호작용을 직접 계산해 장거리 1/r 전기 효과를 정확히 재현한다. E_non‑local은 전하·스핀 피처를 입력으로 하는 작은 MLP로, 분산·다중극자 상호작용 등 전기적이지만 쿠론 형태가 아닌 잔여 효과를 보정한다. 이렇게 물리 기반 항을 명시적으로 분리함으로써, 모델은 작은 분자부터 수천 원자 규모의 복합체까지 선형 혹은 거의 선형의 계산 비용으로 확장된다. 학습은 OMol25 데이터셋을 사용했다. OMol25는 ωB97M‑V 하이브리드 DFT 수준의 에너지·힘·전하·스핀 정보를 1억 개 이상의 구조에 대해 제공한다. 이러한 고품질 대규모 데이터는 모델이 교환‑상관 효과와 전하 전이를 학습하도록 만든다. 모델은 Adam 옵티마이저와 학습률 스케줄링을 통해 10 M 단계까지 학습했으며, 전하·스핀 균등화 단계는 별도의 손실 함수(전하·스핀 보존 + 전하·스핀 분포 정규화)로 최적화했다. 벤치마크 결과는 다음과 같다. 열화학(ΔH_f)와 반응 장벽(Activation Energy)에서는 MAE가 0.5 kcal/mol 이하로, 하이브리드 DFT와 거의 동등한 정확도를 보였다. 전이 금속 복합체와 산화‑환원 반응에서는 전하·스핀 상태를 정확히 예측해 기존 MACE‑OMol 대비 30 % 이상 MAE가 감소했다. 비공유 결합(수소 결합, 이온 결합, π‑π 스택)과 초분자 결정(X23‑DMC)에서는 전기적 장거리 효과를 명시적으로 포함함으로써 MAE가 0.2 kcal/mol 수준까지 낮아졌다. 단백질‑리간드 결합 에너지 예측에서는 기존 단거리 모델 대비 상관계수가 0.85에서 0.96으로 상승했으며, 4배 이상의 스코어 향상을 기록했다. 또한 외부 전기장을 입력으로 주면 전하·스핀 밀도가 즉시 재조정되는 모습을 시각화했으며, 전하 국소화 현상(분자 파편화 시 전하가 각 파편에 재분배)과 전이 금속 이온의 산화 상태 예측에서도 물리적으로 일관된 결과를 얻었다. 추가적인 장점으로는 (1) 전하·스핀 밀도가 직접 출력되므로 전자 밀도 분석과 실험적 전하 전이와 비교 가능, (2) 학습된 Fukui 함수가 화학 반응성(전자 친화도, 전자 방출도) 해석에 활용 가능, (3) 모델이 외부 전기장, 전하·스핀 변동을 실시간으로 반영해 전해질·배터리·촉매 시뮬레이션에 바로 적용 가능하다는 점이다. 저자들은 모델을 오픈소스로 공개하고, API를 통해 다양한 화학·생물학 시뮬레이션 파이프라인에 통합할 수 있도록 지원한다. 결론적으로, MACE‑POLAR‑1은 전하·스핀 변동과 장거리 전기 상호작용을 물리적으로 정확히 모델링하면서도, 기존 MACE의 효율성을 유지하는 새로운 전기적 기초 모델이다. 이는 하이브리드 DFT 수준의 정확도를 요구하는 약물 설계, 촉매 설계, 전해질 시뮬레이션 등 다양한 분야에 즉시 활용될 수 있는 강력한 도구로 평가된다.