PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2507.03853v2cs.LG

OrbitAll: 모든 분자 시스템을 위한 통합 양자역학 표현 심층 학습 프레임워크

OrbitAll: A Unified Quantum Mechanical Representation Deep Learning Framework for All Molecular Systems

우리는 OrbitAll을 소개한다. OrbitAll은 기하학 및 물리학 정보를 반영한 심층 학습 프레임워크로, 전자 구조 정보를 이용해 임의의 전하, 스핀, 환경 효과를 갖는 모든 분자 시스템을 인코딩한다. 이는 기저 양자역학 방법에서 얻은 스핀 분극(spin-polarized) 궤도 특성을 활용하며, SE(3)-등변(equivariant) 그래프 신경망과 결합한다. OrbitAll은 대전 입자, 개각(open-shell), 용매화(solvated) 분자 예측에서 우수한 성능과 일반화를 보이며, 학습 데이터보다 훨씬 큰 분자에도 강건하게 외삽한다. OrbitAll은 경쟁 AI 모델 대비 10배 적은 학습 데이터로 화학적 정확도(chemical accuracy)를 달성하며, 밀도 범함수 이론(density functional theory, DFT) 대비 약 $10^3$ - $10^4$배의 속도 향상을 이룬다. 화학적으로 다양한 데이터셋으로 학습된 OrbitAll은 까다로운 분자 시스템에서도 강건하게 동작하며, 분자 데이터를 35배 적게, 50배 더 작은 모델을 사용함에도 기계학습 원자간 포텐셜(machine-learned interatomic potential) UMA를 고도로 대전된 종(species)에 대해 능가한다. 용매 효과를 학습한 후, UMA를 이용한 명시적 용매화(explicit-solvation) 시뮬레이션 대비 약 100배 낮은 비용으로 용매 의존적 반응 경로를 정확히 예측한다.

arXiv:2606.19133v1physics.optics

물질 스크리닝을 위한 광학 스펙트럼 예측에서 등변 그래프 신경망의 성능 향상

Equivariant Graph Neural Networks Improve Optical Spectra Prediction for Materials Screening

태양전지 등 광전자 응용을 위한 고처량 물질 스크리닝에서 광학 스펙트럼 예측의 기하 표현력 한계를 줄이기 위해 등변 그래프 신경망(equivariant graph neural networks) GotenNet을 이 작업에 맞게 적용하고, 무작위 위상 근사(RPA) 수준 스펙트럼 10,533개 구조 데이터셋 등에서 평가했다. 제안 모델은 현재 최첨단 성능을 능가했으며, 박막 광학에 중요한 0–8 eV 구간과 정적 실수 유전율 예측에서 가장 큰 향상을 보였다.