등변 그래프 신경망(Equivariant Graph Neural Network)은 머신러닝 기반 원자 간 포텐셜(interatomic potential)의 핵심 아키텍처로 부상하여, 계산 비용의 일부만으로도 양자 화학 수준의 정확도에 근접하고 있습니다. 이러한 모델들은 국소 원자 환경을 정확하게 기술하지만, 유한한 공간적 컷오프(cutoff)로 인해 장거리 정보 흐름이 단절되며, 메시지 전달 계층을 깊게 쌓으면 지나친 평활화(over-smoothing) 및 과도한 압축(over-squashing)이 발생할 수 있습니다. 기존의 장거리 확장 기법들은 고정된 해석적 전파 커널(propagation kernel)을 규정하거나, 장거리 통신을 스칼라 또는 차수 보존 채널로 제한하거나, 근사적으로만 등변성을 만족하거나, 초선형(super-linear) 계산 비용을 초래합니다. 대규모 시스템에 대해 효율적인 스케일링(scaling) 및 다중 스케일 다체 표현력과 함께 학습 가능한 장거리 등변 수송을 결합하는 것은 여전히 핵심 과제로 남아 있습니다. 본 논문에서는 장거리 텐서 표현 학습을 위해 고속 다중극 방법(Fast Multipole Method, FMM)을 신경 등변 방식으로 확장한 NEMORA(Neural Equivariant Multipole Operators)를 소개합니다. NEMORA는 적응형 공간 계층 구조상에서 FMM의 해석적 다중극 전개 및 변환 연산자를 학습 가능한 등변 연산자로 일반화합니다. 이 연산자들은 각도 차수를 결합하고 다양한 길이 스케일에 걸쳐 다체 상호작용을 형성하며, 데이터 의존적인 장거리 결합을 학습하는 동시에 FMM의 계층적 구조와 해석적 방사형 인자를 물리적 귀납 편향(inductive bias)으로 유지합니다. NEMORA는 선형 시간 및 메모리 복잡도로 평가되므로 수십만 개의 원자에 달하는 대규모 시스템을 다른 장거리 방식보다 효율적으로 다룰 수 있으며, 대칭 제약이 있는 백본 및 제약이 없는 단거리 백본 모두를 보강합니다. 비국소(non-local) 벤치마크에서 단거리 백본 대비 힘(force) 및 에너지 오차를 각각 1자릿수(order of magnitude) 이상, 최대 3자릿수까지 줄여, 정확도 측면에서 기존의 장거리 확장 기법보다 우수하거나 경쟁력 있는 성능을 보입니다.
원자 구조를 간결한 기하학적 기술자(geometric descriptor) 집합으로 매핑하는 것은 원자 스케일 모델링에 머신러닝을 적용하는 모든 분야에서 필수적인 단계입니다. 강력하고 널리 사용되는 접근법은 쌍 거리(pair distance), 삼각형 등의 히스토그램을 이산화하는 것으로 이해될 수 있으며, 이는 대칭 불변 원자 중심 기술자의 계층 구조로 이어집니다. 안타깝게도 이 계층의 하위 단계(2, 3, 4이웃 클러스터)는 불완전하여 대칭적으로 무관한 구조 쌍이 완전히 동일한 기술자를 갖는 것으로 밝혀졌습니다. 그러나 지금까지 보고된 모든 '축퇴(degeneracy)'는 기술자를 구축할 때 더 큰 이웃 클러스터를 고려함으로써 해결되었습니다. 본 연구에서는 대규모 언어 모델(LLM)의 도움을 받아, 최대 7개의 이웃 클러스터를 고려하더라도 구별할 수 없으며 기술자의 실용적인 이산화 수준을 고려할 때는 임의의 차수까지도 구별할 수 없는 3차원 구조의 예시들을 보고합니다. 이러한 구조 구축의 핵심 요소는 서로 다른 연구 커뮤니티에서 수십 년 동안 알려져 온 결과로 거슬러 올라갈 수 있습니다. 모델은 관련 문헌을 찾아내고 현재 다루는 문제에 대한 그 중요성을 인식할 수 있었습니다. 우리는 이 실험이 과학 분야에서 AI의 매우 유용한 활용 패턴을 보여준다고 믿습니다. 즉, 서로 다른 커뮤니티와 응용 도메인 간의 결과를 연결하여 한 분야에서의 뜻밖의 발견이 다른 분야의 혁신으로 이어지는 과정을 가속화하는 것입니다.
고체 전해질 계면(SEI) 형성을 지배하는 원자 수준의 반응을 이해하고 제어하는 것은 차세대 전고체 배터리의 실용화를 위해 필수적입니다. 그러나 매립된 계면을 실험적으로 특성화하기 어렵고, 시뮬레이션의 속도와 정확도에 한계가 있어 여전히 어려움이 따릅니다. 본 연구에서는 능동 학습(active learning)과 심층 등변 신경망(deep equivariant neural network) 원자간 퍼텐셜을 활용하여, 대칭형 배터리 셀인 {\symcell}에 대해 양자역학 수준의 정확도를 지닌 대규모 명시적 반응 시뮬레이션을 수행합니다. 계면에서의 결합 반응과 상호 확산을 자동으로 특성화하기 위해, 국소 원자 환경 공간에서의 클러스터링을 기반으로 한 비지도 분류(unsupervised classification) 기법을 정립하여 적용했습니다. 분석 결과, 순수 열역학에만 기반한 이전 예측에서는 포착되지 않았던 새로운 결정질 무질서 상인 Li$_2$S$_{0.72}$P$_{0.14}$Cl$_{0.14}$가 SEI 내에 형성됨을 밝혀냈으며, 이는 전체 반응 및 수송 역학을 명시적으로 모델링하는 것의 중요성을 강조합니다. 본 시뮬레이션 결과는 SEI 형성에 관한 실험적 관찰과 일치하며 이를 규명할 뿐만 아니라, 계면을 따라 발생하는 현저한 Li 이동으로 특징지어지며 덴드라이트 생성에 결정적인 Li 크리프(creep) 메커니즘을 규명합니다. 본 연구의 접근법은 실험에 맞춘 조정 가능한 매개변수 없이 제일원리(first principles)로부터 디지털 트윈을 구축하는 것입니다. 따라서 고체 합성 및 전기화학에서의 복잡한 불균일 과정을 지배하는 원자 동역학에 대한 통찰을 확보할 수 있는 역량을 제공합니다.
전기화학, 촉매, 부식 등 고급 재료 응용에서 고체-액체 계면을 다루는 기계학습 원자간 포텐셜(MLIP)은 액체 환경, 고체, 그리고 계면 자체를 모두 샘플링하는 학습 데이터가 필요하다. 본 논문은 MLIP 학습 및 평가를 위해 최대 576원자·15종 화학 원소를 갖는 제1원리 원자 구조 1,540만 개를 담은 엄선 고체-액체 계면 데이터셋 SoLiD26을 제시한다. 구조는 고체-액체 계면 연구에서 수행된 밀도 범함수 이론(DFT) 계산을 모아 구성했으며, 대부분의 구성은 ab initio 분자 동역학(AIMD) 시뮬레이션에서 유래한다. 각 레코드에는 원자 종, 좌표, 시뮬레이션 셀, 주기적 경계 조건, 전위 에너지, 원자력이 포함된다. SoLiD26에는 수용액 동전족 금속 계면, 전극-전해질 시스템, 선택된 벌크 기준 구조가 포함되며, VASP에서 PBE functional과 D3 dispersion correction으로 계산했다. 데이터셋 구축에 쓴 데이터 수집·준비 파이프라인을 설명한다. SoLiD26을 MLIP 학습·평가에 적용한 사례는 단순 학습·검증·테스트 분할 위에서 MACE 모델군으로 시연한다. 이 데이터셋은 구조·화학적으로 이질적인 고체-액체 계면용 MLIP 개발과 벤치마킹을 가능하게 한다.
기계학습 원자간 포텐셜(MLIP)은 양자역학적 에너지와 힘——전통적으로 밀도범함수 이론(DFT)이나 파동함수 방법으로 계산되는——을 비용의 일부만으로 근사한다. 이 분야는 알고리즘, 학습 데이터셋, 하이퍼파라미터, 대상 재료로 구성된 성장하는 생태계를 포괄하지만, MLIP 연구를 체계적으로 비교·재현·확장하는 데 필요한 메타데이터는 여전히 논문, 스크립트, 임시(ad-hoc) 파일 형식에 흩어져 있다. 본 논문은 MLIP 온톨로지를 제시한다. 이는 MLIP 방법, 하이퍼파라미터, DFT 출처가 있는 학습 데이터셋, 공개된 벤치마크를 기술하는 데 필요한 개념을 담은 OWL 2 DL 온톨로지이다. 이 온톨로지는 세 모듈——Method, Training Data, Benchmark——로 구성되며, 재료과학(MDO, CMSO/ASMO)과 기계학습(ML-Schema)의 기존 온톨로지를 연결하고 Croissant와 같은 데이터셋 측 스키마를 보완한다. 27개의 형식 공리를 선언하여 데이터 완전성과 일관성을 강제하며, 학습된 모델을 해당 방법 및 학습 데이터와 연결하는 속성 체인(property chain)을 포함한다. Moment Tensor Potentials를 기반으로 한 실행 예제를 통해 온톨로지를 시연하고, 20편 논문으로 시드된 지식 그래프에 대한 역량 질문(competency question) 실행, OWL 추론, 기존 온톨로지와의 비교를 통해 이를 평가한다.
본 논문에서는 기계학습 원자간 포텐셜(MLIP)에 대한 SO(2) 이론을 체계적으로 조사하고, 기존 SO(2) 선형 아키텍처가 SO(3) Clebsch-Gordan 텐서 곱(CGTP)에 비해 갖는 한계를 규명한다. 이러한 통찰을 바탕으로, Wigner D-행렬의 직접적인 데카르트 구성 및 재귀적 Clebsch-Gordan 구성을 제안하고 두 가지 새로운 상호작용 빌딩 블록을 소개한다. 첫째, 일반화된 비대칭 수축(Generalized Asymmetric Contraction)에 기반한 에지 복소 곱 기저(Edge Complex Product Basis)를 제안한다. 이는 복소값 등변 곱셈을 통해 에지 위의 고차 상호작용을 직접 구성하는 다체 전개(many-body expansion)의 새로운 공식화이다. 둘째, 외삽 성능을 향상시키고 기존의 어텐션 벡터 공식화를 능가하는 방사형 회전 복소 어텐션(Radial Rotary Complex Attention, RRA)을 소개한다. 또한 원자 클러스터 확장(Atomic Cluster Expansion) 모듈에 여러 개선 사항을 도입한다. 이러한 발전을 바탕으로, OMat24, sAlex, MPTrj에서 모델을 학습시키고 Matbench Discovery에서 최첨단(SOTA) 성능을 달성하는 TECE-OAM-RRA-1.0을 소개한다.
범용 머신러닝 원자간 포텐셜(uMLIP)은 양자역학적 정확도와 대규모 분자 동역학을 연결하지만, r²SCAN과 같은 고정밀 계산의 비용으로 인해 학습 데이터셋은 개방된 소재 공간에 비해 여전히 작은 규모에 머문다. 또한 높은 평균 벤치마크 성능이 모든 구조에 대한 신뢰할 수 있는 에너지-힘 예측을 보장하지는 않는다. 본 논문에서는 고충실도 데이터 구축을 불확실성 하의 구조별 의사결정 문제로 재정식화하는 적응형 멀티-티처 라우팅(ATR, Adaptive Multi-Teacher Routing)을 제안한다. 소규모의 실제 r²SCAN 레이블을 활용하여, ATR은 사전학습된 복수의 uMLIP 티처를 보정하고, 구조적 서술자(structural descriptor)·티처 정체성·티처 간 불일치도를 결합하여 각 구조-티처 쌍의 신뢰도를 추정한다. 이를 통해 신뢰도가 높은 예측을 의사 레이블(pseudo-label) 생성에 선택하고, 어떤 티처도 충분히 신뢰할 수 없는 구조는 거부한다. 후보 구조의 단 0.2%에 해당하는 실제 r²SCAN 레이블만으로, ATR은 사전학습용으로 추적 가능한 r²SCAN 수준의 의사 레이블 289만 개를 증류해낸다. 홀드아웃 r²SCAN 구조 및 MP-r²SCAN 벤치마크에서, ATR 생성 데이터셋으로 학습된 경량 CHGNet은 기준선 및 라우팅 미적용 대조군을 일관되게 능가한다. 유한 온도 분자 동역학 시뮬레이션에서도 ATR은 복수의 소재 시스템에 걸쳐 동역학적 견고성을 향상시켜, 기준선 시뮬레이션이 파국적인 구조 붕괴를 겪는 상황에서도 안정적인 궤적을 유지하는 것으로 나타났다. 이러한 결과는 능동적 거부가 사전학습된 복수의 uMLIP을 고충실도 uMLIP을 위한 확장 가능하고 신뢰할 수 있는 데이터 구축 시스템으로 전환하는 효과적인 메커니즘임을 확립한다.
MLIP(머신러닝 원자간 포텐셜) 학습에서 기존 Adam 대신 행렬 구조 옵티마이저인 Muon, SOAP, SOAP-Muon을 NequIP 및 Allegro 모델에 체계적으로 비교한 결과, SOAP과 SOAP-Muon이 수렴 속도와 최종 정확도 모두에서 AdamW를 일관되게 능가하였다. 특히 부분적인 힘(force) 레이블만 사용하는 환경에서 성능 향상이 두드러져, SOAP-Muon은 전체 힘 레이블의 50%만으로 AdamW의 100% 성능을 달성하는 등 옵티마이저 선택이 MLIP 설계에서 중요한 요소임을 보여준다.