기계학습 힘장(MLFF) 입문: 정확함과 빠름 사이

앞 두 글에서 “정확한데 느린 DFT”와 “빠른데 부정확할 수 있는 경험적 MD”를 봤습니다. 오랫동안 재료해석은 이 둘 중 하나를 골라야 했습니다. 기계학습 힘장은 그 선택을 바꿉니다.

PART 5 · 전자 한 개에서 구조물까지 계산을 이어 가는 동안04 / 05

DFT로 수백 개 구조의 에너지와 힘을 계산해 모았지만, 보고 싶은 반응은 수십만 원자와 긴 시간이 필요합니다. 학습 모델이 이 원자 환경과 DFT 힘의 관계를 대신 계산하도록 훈련합니다.

이번 장의 답대칭성을 보존한 원자 환경 표현으로 에너지·힘·응력을 함께 학습하고, 학습 분포 밖 불확실성을 감지해 DFT 데이터를 보강하며 목표 물성으로 별도 검증해야 합니다.

DFT 데이터E · F · σ

→

MLFF

→

빠른 MD큰 계 · 긴 시간

학습 분포 안에서는 DFT에 가까운 힘을 빠르게 내지만, 낯선 구조를 감지하고 다시 학습해야 합니다.

01오래된 딜레마

DFT/AIMD는 정확하지만 작은 계·짧은 시간에 머물고, 경험적 포텐셜은 크고 빠르지만 복잡한 상황(특히 화학 반응)에서 정확도가 떨어집니다. 정확도와 규모·속도의 맞바꿈— 이것이 원자 시뮬레이션의 오랜 제약이었습니다.

MLFF의 핵심 발상은, 전체 에너지를 각 원자의 국소 환경이 내는 기여의 합으로 나누는 것입니다.

$$ E_{\text{tot}} = \sum_{i=1}^{N} E_i(\text{환경}_i) $$

각 원자의 기여 $E_i$ 를 그 주변 원자 배치의 함수로 보고, 이 함수를 기계학습으로 근사합니다. 힘은 MD와 똑같이 $\mathbf F_i = -\nabla_i E_{\text{tot}}$ 로 얻습니다.

DFT로 만든 데이터(구조–에너지–힘)에 모델이 맞도록, 에너지와 힘의 오차를 함께 줄이는 손실함수를 최소화합니다.

$$ \mathcal{L} = \sum \big( E_{\text{ML}} - E_{\text{DFT}} \big)^2 + \lambda \sum \big| \mathbf{F}_{\text{ML}} - \mathbf{F}_{\text{DFT}} \big|^2 $$

잘 학습되면 DFT급 정확도를 MD급 속도로 낼 수 있습니다. 즉 “정확한데 빠른” 힘을 목표로 하는 것이죠.

학습한 적 없는 상황을 만나면 모델은 외삽이 되어 신뢰도가 떨어집니다. 이를 다루는 방법이능동학습이에요. 시뮬레이션 도중 모델이 불확실성이 큰 구조를 감지하면, 그 지점만 DFT로 계산해 데이터에 보태고 다시 학습해 스스로 정확도의 범위를 넓혀 갑니다.

MLFF IN 3 IDEAS

$E_{\text{tot}}=\sum_i E_i(\text{환경}_i)$ — 국소 분해
$\mathcal L=\sum(E_{\text{ML}}-E_{\text{DFT}})^2+\lambda\sum|\Delta\mathbf F|^2$ — 학습
능동학습 — 불확실한 구조를 DFT로 보강

MLFF는 반응성 있는 큰 계를, 긴 시간 동안, DFT에 가까운 정확도로 다룰 수 있게 해 멀티스케일 해석에서원자층의 엔진이 됩니다. 제 연구도 이 방향 — 반응성 거동을 기계학습 힘장으로 정확하고 크게 다루는 쪽 — 에 맞닿아 있습니다.

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

원자 환경atomic environment: 기준 원자 주변의 원소 종류와 상대 위치를 회전·이동·동일원자 순열에 불변하도록 표현한 입력입니다.
컷오프 반경cutoff radius: 국소 에너지에 영향을 준다고 가정하는 이웃 범위입니다. 너무 짧으면 장거리 효과를 놓치고, 길면 계산비가 커집니다.
기술자descriptor: 원자 환경을 모델이 처리할 수 있는 수치 표현으로 바꾸는 함수입니다.
손실함수loss function: 모델 에너지·힘·응력이 기준 DFT 값과 얼마나 다른지를 가중합한 학습 목적함수입니다.
보간interpolation: 학습 자료가 충분히 덮는 구조·조성 영역 안에서 예측하는 상황입니다.
외삽extrapolation: 학습 범위 밖의 구조나 화학환경을 예측하는 상황으로, 낮은 오차처럼 보여도 물리적으로 위험할 수 있습니다.
능동학습active learning: 모델이 불확실하거나 서로 불일치하는 구조를 골라 새 DFT 계산으로 보강하는 반복 학습 전략입니다.
전이가능성transferability: 온도·압력·조성·결함과 상이 바뀌어도 모델 정확도가 유지되는 범위입니다.

Behler & Parrinello, Phys. Rev. Lett. 98, 146401 (2007) — 고차원 신경망 원자 포텐셜의 대표적 출발점.
Deringer et al., Chem. Rev. 121, 10073–10141 (2021) — 재료 모델링용 기계학습 원자간 포텐셜 리뷰.
Sholl & Steckel, Density Functional Theory: A Practical Introduction — 학습 기준이 되는 DFT 에너지·힘의 정확도와 한계.