최신 MLIP(머신러닝 원자간 포텐셜) 기술 동향
머신러닝 원자간 포텐셜(MLIP) 기술은 최근 단순한 에너지 예측을 넘어, 범용성(Universality)과 물리적 정확성(Fidelity)을 동시에 확보하려는 방향으로 급격히 진화하고 있습니다.
"현재 MLIP 기술은 한 번 학습된 모델로 모든 물질을 시뮬레이션할 수 있는 'Foundation Model' 시대로 진입하고 있습니다."
1. 범용 MLIP(uMLIP)의 확산
과거 특정 시스템에 최적화된 모델에서 벗어나, 수억 개의 데이터를 학습한 범용 모델이 주도권을 잡고 있습니다.
- SevenNet-Omni 등 멀티 도메인 모델: 결정체, 분자, 표면 등 서로 다른 환경을 통합 학습하여 Zero-shot 예측 성능 극대화.
- 극한 환경 대응: 고압(100GPa 이상) 및 고온 환경에서의 안정성을 위한 파인튜닝 기술 발전.
2. 등변성(Equivariant) GNN의 고도화
원자의 회전과 반전에도 물리적 대칭성을 유지하는 아키텍처가 표준으로 자리 잡았습니다.
- PaiNN NequIP Allegro 등의 진화로 힘(Force) 예측 정밀도 향상.
- 장거리 상호작용 해결: 컷오프 거리 밖의 정전기적 상호작용을 명시적으로 포함하는 모델 구조 등장.
3. 초고정밀도 확보 (Δ-Learning)
DFT 수준을 넘어 양자화학의 '골드 스탠다드'인 CCSD(T) 정확도를 지향합니다.
- 델타 러닝(Δ-Learning): 저비용 데이터와 고비용 데이터의 차이만을 학습하여 효율적으로 정확도 개선.
- 복잡한 네트워크 대응: COF, MOF와 같은 복잡한 결정 구조에서도 화학적 정확도 달성.
4. 능동 학습(Active Learning) 자동화
데이터 생성 비용을 최소화하기 위한 전략적 수집 기술이 필수화되었습니다.
- 불확실성 기반 샘플링: 모델이 예측에 자신 없는 영역을 스스로 찾아 DFT 계산을 수행하는 워크플로우 자동화.
- 생성 AI 결합: Diffusion 모델을 활용해 전이 상태(Transition State) 구조를 생성하여 학습 데이터로 활용.
과거 vs 현재 기술 비교
| 구분 | 과거 (Specific MLIP) | 현재 (Universal MLIP) |
|---|---|---|
| 대상 | 특정 합금, 단일 분자 | 전 주기 원소 및 혼합 시스템 |
| 정확도 | DFT 수준 | CCSD(T) 및 하이브리드 수준 |
| 데이터 확보 | 수동 샘플링 | 능동 학습 및 생성형 AI 기반 |
