머신러닝 기반 최초 원리 액체 다중스케일 모델링 프레임워크

초록

**
본 논문은 양자역학 수준의 상호작용을 머신러닝으로 학습한 인터페이스 포텐셜(MLIP)과 신경망 고전 밀도 함수 이론(neural cDFT)을 결합해, 물과 이산화탄소의 미시·중간·거시 스케일을 일관되게 예측하는 최초 원리(multiscale) 모델링 체계를 제시한다. MLIP로부터 얻은 비균일 밀도 프로파일을 학습 데이터로 사용해 cDFT의 과잉 자유 에너지 함수를 신경망으로 근사함으로써, 전통적인 분자 시뮬레이션 대비 수십 배 빠른 계산으로 상평형, 상변이, 제한된 환경에서의 거동 등을 정확히 재현한다.

**

상세 분석

**
이 연구는 두 가지 최신 머신러닝 기술을 전략적으로 결합한다. 첫 번째는 DeepMD·HD‑NNP 등으로 구축한 머신러닝 인터페이스 포텐셜(MLIP)이다. MLIP는 고정밀 전자구조 계산(DFT)에서 얻은 에너지·힘 데이터를 학습해, 수천 원자 규모의 시뮬레이션을 원자 수준에서 수십 배 가속한다. 두 번째는 신경망 기반 고전 밀도 함수 이론(neural cDFT)으로, 전통적인 cDFT에서 핵심이 되는 과잉 자유 에너지 함수 F_ex