불확실성을 고려한 금(Au) 방정식 상태 모델링

초록

본 연구는 가우시안 프로세스(GP)와 입력‑출력 오류‑인‑변수(EIV) 모델을 결합해 금의 고정밀 방정식 상태(EOS) 테이블을 구축한다. DFT 기반 자유에너지 데이터를 활용해 온도·밀도 전 범위(최대 100 g/cc, 300 eV)에서 평균 EOS와 신뢰구간을 제공하고, 실험·시뮬레이션 불확실성을 정량적으로 전파한다.

상세 분석

이 논문은 고압·고온 물질 모델링에 필수적인 EOS 테이블을 불확실성까지 포함해 생성하는 새로운 프레임워크를 제시한다. 핵심은 베이지안 회귀 기법인 가우시안 프로세스(GP)를 사용해 입력 변수(밀도, 온도)와 출력 변수(압력, 자유에너지 등)의 불확실성을 동시에 다루는 오류‑인‑변수(EIV) 확장 모델을 적용한 점이다. 전통적인 EOS 구축 방식은 입력을 정확하다고 가정하고 모델 오차만을 암시적으로 처리해, 데이터가 희박하거나 외삽될 때 불확실성을 과소평가한다. 반면 EIV‑GP는 각 훈련 샘플에 대해 입력 노이즈 공분산 Σₓ와 출력 노이즈 σ_y를 명시적으로 포함하고, 입력 노이즈가 출력 예측에 미치는 영향을 ∇f·Σₓ·∇f 형태의 추가 분산으로 변환한다. 이를 통해 실험 데이터의 밀도·온도 오차와 DFT 계산의 수치적 불확실성을 일관되게 통합한다.

모델 구현에서는 스케일러블한 GP 프레임워크(GPz)를 채택하고, 자동 관련성 결정(ARD) 기반의 제곱 지수(SE) 커널을 기본으로 사용한다. 매트른 3/2, 5/2 커널도 비교해 부드러움 정도를 조절함으로써 자유에너지 표면의 미세 구조가 파생량(압력, 엔탈피 등)에 미치는 영향을 평가한다. 각 물리적 성분—cold curve, 전자열, 이온열—을 별도의 GP로 학습한 뒤, Helmholtz 자유에너지 F(ρ,T)=F_cold+F_vib+F_elec 형태로 결합한다. 이렇게 하면 파생량을 해석적으로 미분할 수 있어, 압력·음성계수 등 1차·2차 열역학량의 불확실성을 직접 전파할 수 있다.

데이터 측면에서는 다양한 교환‑상관 함수(LDA, PBE, PBEsol 등)와 스핀‑궤도 결합을 포함한 DFT 계산을 수행하고, ONCV 의사퍼텐셜을 이용해 0.5 ρ₀~5 ρ₀, 0–300 eV 범위의 고밀도·고온 격자를 구축했다. 실험 검증으로는 다이아몬드 앤빌 셀(DAC)과 토로이달 DAC, 충격 실험(Hugoniot) 데이터를 사용해 U790 테이블을 기존 LLNL L790, Y790과 비교하였다. 결과는 평균적으로 2–3 % 이내의 일치를 보였으며, 고압(>30 GPa)에서는 5–8 % 차이가 발생해 모델 불확실성의 주요 원인(DFT 교환‑상관 선택, 전자열 모델링 등)을 식별했다.

계산 효율성 측면에서는 GP 학습에 O(N³) 복잡도가 존재하지만, 희소 근사와 인덕션 포인트 기법을 적용해 수천 개 샘플까지 확장 가능함을 논의한다. 또한 다중 신뢰도 데이터(저신뢰도 시뮬레이션·고신뢰도 실험)를 공동 학습하는 코크리깅 확장 가능성을 제시한다. 최종적으로, 불확실성‑인식 EOS 테이블(U790)은 평균값과 신뢰구간을 동시에 제공함으로써, 고에너지·고밀도 물리 시뮬레이션에서 오류 전파와 위험 분석을 보다 정량적으로 수행할 수 있게 한다.