물질 생성 및 평가를 위한 거친 좌표로서의 사전학습된 머신러닝 원자간 포텐셜 표현
Representations from Pretrained Machine-Learning Interatomic Potentials as Coarse Coordinates for Material Generation and Evaluation
무기 결정 구조 생성에 생성 머신러닝이 점점 더 널리 사용되고 있습니다. 대부분의 모델과 이에 대응하는 평가 방식은 단순한 형태의 결정 구조 표현에 의존합니다. 본 논문에서는 이러한 작업에 대해 MACE와 같은 사전학습(pre-training)된 머신러닝 원자간 포텐셜(MLIP)에서 추출한 원자 평균 특징(atom-averaged feature)의 유용성을 입증합니다. 먼저, 단일 분포 기반 평가 프레임워크 내에서 품질과 참신성을 모두 포착하여 물질 생성 모델(generative model)의 출력을 평가하는 거리 척도를 소개합니다. 구체적으로 두 가지 서로 다른 특징 추출기(featurizer)를 사용하는 Coarse-Fine Transport Distance(CFTD)를 도입하며, 여기서 품질 요소는 거친(coarse) MACE 특징을 기반으로 합니다. 우리는 결정 구조 품질을 포착하는 동시에 암기를 감지하는 CFTD의 다재다능함을 보여주고, 최근 도입된 연속 SUN 지표와 비교합니다. 나아가 거친 MACE 특징이 물질 생성 모델의 가이던스로 활용될 수 있음을 보여줍니다.