DFT가 전자를 정확히 계산하지만 작은 계에 머문다면, 더 많은 원자를 더 오래 움직여 보고 싶을 때 쓰는 것이 분자동역학(MD)입니다.
초기 원자 좌표와 속도를 정하고 아주 짧은 시간 간격으로 힘과 위치를 갱신합니다. 수백만 번 반복하면 원자들이 진동·충돌·확산하는 궤적이 쌓이지만, 궤적 자체가 곧 실험값은 아닙니다.
원자 궤적을 어떻게 만들고, 그중 어느 부분을 물성으로 믿을 수 있을까요?
이번 장의 답포텐셜에서 얻은 힘을 안정적으로 적분하고 목표 앙상블에서 충분히 평형화한 뒤, 상관된 시계열의 평균과 불확실성을 함께 계산해야 합니다.
01지배 방정식
MD는 각 원자에 대해 뉴턴의 운동 방정식을 푸는 것입니다.
$$ m_i\,\frac{d^2 \mathbf{r}_i}{dt^2} = \mathbf{F}_i $$
이 미분방정식을 아주 짧은 시간 간격 $\Delta t$ 로 수백만 번 적분하면 원자들의 궤적이 쌓이고, 거기서 확산계수·상전이·기계적 거동을 통계적으로 읽어냅니다.
02힘은 포텐셜의 기울기
원자에 작용하는 힘은 포텐셜 에너지 $U$ 의 기울기(음의 미분)입니다.
$$ \mathbf{F}_i = -\nabla_{\mathbf{r}_i} U(\mathbf{r}_1, \dots, \mathbf{r}_N) $$
이 $U$ 를 포텐셜 또는 힘장(force field)이라 하며, 그 정확도가 곧 시뮬레이션의 정확도를 결정합니다.
짧은 범위 상호작용은 일정 거리 밖을 자르는 cutoff와 이웃목록으로 빠르게 계산하지만, Coulomb 힘은 멀리까지 미치므로 단순 절단하면 에너지와 구조가 왜곡될 수 있습니다. 주기 경계조건에서는 Ewald 합, particle-mesh 계열 방법처럼 실공간과 역공간을 나누는 알고리즘을 사용합니다. Frenkel과 Smit의 Ch. 12는 이 장거리 항이 큰 계의 정확도와 계산비를 함께 지배함을 보여 줍니다.
03베를레 적분
뉴턴 방정식은 보통 베를레(Verlet) 방법으로 적분합니다. 다음 위치를 현재·과거 위치와 가속도로 예측하는 간단하면서도 안정적인 규칙이에요.
$$ \mathbf{r}(t+\Delta t) \approx 2\mathbf{r}(t) - \mathbf{r}(t-\Delta t) + \mathbf{a}(t)\,\Delta t^2 $$
$\Delta t$ 는 원자 진동보다 훨씬 짧아야 해서(보통 펨토초 단위), 나노초를 계산하려면 수백만 스텝이 필요합니다. 이것이 MD의 시간 한계의 근원입니다.
04앙상블 — 무엇을 고정하고 무엇을 요동시킬까
고립된 계의 $N,V,E$를 고정하면 미소정준(NVE), 열저장고와 접촉해 $N,V,T$를 고정하면 정준 (NVT), 온도와 압력을 정하면 $N,P,T$ 앙상블입니다. 온도와 압력은 매 순간 정확히 고정되는 값이 아니라 유한한 계에서 요동하는 통계량입니다. Andersen, Nosé–Hoover 같은 thermostat와 barostat는 단순 속도 재조정이 아니라 목표 분포를 표본화하도록 선택해야 합니다.
보통 초기 구조를 완화하고 목표 온도·압력에 도달시키는 평형화 구간과, 통계량을 모으는생산 구간을 나눕니다. thermostat 결합이 너무 강하면 실제 동역학과 수송계수를 왜곡할 수 있으므로 구조 평형과 동역학 측정의 목적을 구분해야 합니다.
05궤적에서 관측량과 오차를 얻기
궤적의 시간평균이 앙상블 평균을 대표한다고 가정해 에너지·압력·구조와 수송계수를 계산합니다. 예를 들어 3차원 확산계수는 충분히 긴 시간에서 평균제곱변위(MSD)의 기울기로 구합니다.
$$ D=\lim_{t\to\infty}\frac{1}{6t}\left\langle|\mathbf r_i(t)-\mathbf r_i(0)|^2\right\rangle $$
그러나 연속 프레임은 서로 독립이 아닙니다. 상관시간보다 짧은 간격의 데이터를 많이 저장해도 유효 표본 수는 거의 늘지 않습니다. 자기상관함수와 block average를 이용해 평균의 표준오차를 추정하고, 서로 다른 초기조건의 반복 계산으로 재현성을 확인해야 합니다. Frenkel과 Smit의 Appendix D는 “주어진 모델의 정확한 데이터”도 무한히 긴 계산에서만 가능하다고 강조합니다.
06AIMD와 고전 MD — 같은 적분, 다른 힘
힘 $\mathbf F_i$ 를 매 순간 DFT로 구하면 AIMD(정확·비쌈), 미리 정한 경험적 포텐셜로 구하면 고전 MD(빠름·큰 계, 정확도는 포텐셜에 좌우)입니다. 즉 정확도와 규모·시간의 맞바꿈이 늘 존재합니다.
- $m_i\,\ddot{\mathbf r}_i = \mathbf F_i$ — 뉴턴 방정식
- $\mathbf F_i = -\nabla_i U$ — 포텐셜의 기울기
- $\mathbf r(t{+}\Delta t) \approx 2\mathbf r(t)-\mathbf r(t{-}\Delta t)+\mathbf a\,\Delta t^2$ — 베를레
07무엇을 얻고 어디서 멈출까
MD로는 확산계수, 상전이, 기계적 물성, 반응 경로 등을 얻습니다. 한계는 포텐셜의 정확도와 시간(보통 나노초~마이크로초)이고, 이 둘을 동시에 밀어내려는 시도가 다음 글의 기계학습 힘장(MLFF)입니다.
08이 글의 용어 사전
본문을 읽다가 “그래서 이 말이 정확히 뭐지?”라는 질문이 생기면 여기에서 다시 확인할 수 있습니다.
- 포텐셜 에너지면potential energy surface
- 모든 원자 좌표에 따른 계의 포텐셜 에너지 U(R)입니다. 그 기울기가 각 원자에 작용하는 힘입니다.
- 주기 경계조건periodic boundary condition
- 유한한 계산상자를 반복해 표면 없이 벌크 재료를 근사하는 조건입니다. 상자 크기에 따른 유한크기 효과는 남습니다.
- 시간 간격time step
- 운동방정식을 한 번 적분할 때 전진하는 시간입니다. 계의 가장 빠른 진동보다 충분히 짧아야 합니다.
- 앙상블ensemble
- 같은 거시 조건을 만족하는 가능한 미시상태들의 집합입니다. NVE, NVT, NPT가 대표적입니다.
- thermostatthermostat
- 열저장고와의 결합을 모델링해 목표 온도 분포를 표본화하는 알고리즘입니다.
- 평형화equilibration
- 초기조건의 기억이 사라지고 관심 통계량이 정상 분포에 도달하도록 기다리는 계산 구간입니다.
- 자기상관시간autocorrelation time
- 시계열 값들이 서로 기억을 유지하는 대표 시간입니다. 통계적으로 독립인 표본 수를 결정합니다.
- block averageblock averaging
- 상관된 시계열을 충분히 긴 블록으로 나눠 블록 평균의 분산에서 표준오차를 추정하는 방법입니다.
09참고자료와 더 읽을거리
- Frenkel & Smit, Understanding Molecular Simulation, 2nd ed. — Ch. 2의 통계역학, Ch. 4·6의 MD와 앙상블, Ch. 12의 장거리 상호작용, Appendix D·E의 오차와 적분.
- LeSar, Introduction to Computational Materials Science — 재료과학 관점의 원자 시뮬레이션과 스케일 연결.
- Verlet, Physical Review 159, 98–103 (1967) — 고전 유체의 컴퓨터 실험과 Verlet 적분의 고전적 출발점.