에너지·힘·응력을 학습해 DFT 정확도 영역을 큰 계와 긴 시간으로 전달하기

DFT · PART 6 · 정적인 바닥상태를 온도·반응·시간의 세계로 확장하는 동안07 / 08

AIMD는 반응 가능한 힘을 주지만 ps와 수백 원자에 머뭅니다. DFT가 본 원자환경의 에너지면을 학습하면 nanosecond와 수십만 원자로 확장할 수 있습니다.

DFT의 정확도를 잃지 않으면서 어떤 데이터를 선택하고 모델의 모르는 영역을 어떻게 감지할까요?

이번 장의 답같은 DFT reference로 다양한 구조·온도·변형·반응 환경의 에너지·힘·응력을 모으고 대칭을 보존하는 원자환경 모델을 학습합니다. random split이 아닌 구조·상·경로 단위 test와 uncertainty 기반 active learning으로 외삽을 관리합니다.

01DFT dataset은 계산량이 아니라 적용범위다

평형 근처 AIMD frame만 모으면 작은 진동은 잘 배우지만 결함 생성·고온 충돌·표면 반응을 외삽합니다. 목표 응용이 만날 조성·상·밀도·strain·온도·결함·반응경로를 coverage matrix로 설계합니다.

모든 label은 같은 XC·PAW·cutoff·k-point 원칙과 에너지 기준을 사용해야 합니다. 서로 다른 reference level을 섞으면 모델이 물리 차이와 계산조건 차이를 구분할 수 없습니다.

label 품질
  • 에너지 기준과 원자 수 정규화
  • 힘·stress의 SCF와 cutoff 수렴
  • 중복 frame 제거와 구성 분포 균형
  • 비정상 원자 충돌도 제한적으로 포함
  • dataset version과 provenance

02대칭·locality·loss

에너지는 원자 순열·전체 평행이동·회전에 불변이어야 하고 힘은 회전에 공변해야 합니다. descriptor 또는 equivariant network가 이 대칭을 구조에 내장합니다.

energy·force·stress loss의 단위와 샘플 수가 다르므로 가중치가 실제 목표 물성을 반영하도록 조절합니다. force RMSE 하나가 작아도 상간 에너지·phonon·장벽·EOS가 틀릴 수 있습니다.

$$ \mathcal L=w_E\|E-E^{DFT}\|^2+w_F\sum_i\|\mathbf F_i-\mathbf F_i^{DFT}\|^2+w_\sigma\|\sigma-\sigma^{DFT}\|^2 $$
가중치는 수치뿐 아니라 목표 응용의 중요도를 반영합니다.

03외삽 감지와 active learning

인접 AIMD frame을 무작위로 train/test에 나누면 거의 동일한 구조가 양쪽에 들어가 성능이 과대평가됩니다. trajectory·구조 family·온도·상 전체를 holdout해 interpolation과 extrapolation을 따로 시험합니다.

ensemble disagreement, Bayesian uncertainty, descriptor distance로 낯선 환경을 감지해 DFT label을 추가하는 active learning loop를 만듭니다. 불확실성이 낮아도 공유 bias가 있을 수 있으므로 최종 물성은 독립 DFT와 실험으로 검증합니다.

04이 글의 용어 사전

본문을 읽다가 “그래서 이 말이 정확히 뭐지?”라는 질문이 생기면 여기에서 다시 확인할 수 있습니다.

MLFFmachine-learning force field
전자구조 데이터의 에너지면을 학습해 빠르게 에너지와 힘을 예측하는 모델입니다.
원자환경atomic environment
cutoff 안 이웃 원자의 종류·거리·각도 등 한 원자 주변 구조입니다.
equivariance
입력을 회전하면 벡터 출력도 같은 방식으로 회전하는 대칭 성질입니다.
active learning
모델이 불확실한 구조를 선택해 새 label을 추가하며 dataset을 확장하는 반복 학습입니다.
외삽extrapolation
학습 데이터가 충분히 덮지 않은 구조·조성·환경에서 예측하는 상황입니다.
holdout
일반화 검증을 위해 학습에서 완전히 제외해 둔 구조 또는 데이터 집합입니다.

05참고자료와 더 읽을거리

  1. Sholl & Steckel, Density Functional Theory: A Practical Introduction — 평면파 DFT의 이론·수치 설정·재료 응용·AIMD와 정확도를 잇는 이 과목의 중심 교재입니다.
  2. Car & Parrinello, Unified Approach for Molecular Dynamics and Density-Functional Theory (1985) — 전자구조 계산과 원자동역학을 결합한 ab initio molecular dynamics의 고전적 원 논문입니다.
  3. Perdew, Burke & Ernzerhof, Generalized Gradient Approximation Made Simple (1996) — 재료 계산에서 널리 쓰이는 PBE-GGA 교환-상관 범함수의 원 논문입니다.
NEXT DFT NOTE종합 프로젝트: 구조에서 유한온도 물성까지 →