GCN을 이용한 배터리 소재 물성 예측 상세 예제
1. 배경
배터리 소재(예: 리튬 전이금속 산화물 LiNi0.5Co0.3Mn0.2O₂)는 원자들이 결정 구조로 배열된 그래프 구조를 갖습니다.
- 원자 = 노드(node)
- 결합 = 엣지(edge)
GCN(Graph Convolutional Network)은 이러한 그래프 구조를 학습하여 소재의 물성을 예측할 수 있습니다.
2. 그래프 생성
| 노드 | 원자번호 | 전기음성도 | 반지름(Å) |
|---|---|---|---|
| Li | 3 | 0.98 | 0.76 |
| Ni | 28 | 1.91 | 1.24 |
| Co | 27 | 1.88 | 1.26 |
| Mn | 25 | 1.55 | 1.39 |
| O | 8 | 3.44 | 0.73 |
엣지(feature) 예시: Li-O 결합 길이 2.0 Å, Ni-O 1.9 Å, Co-O 1.9 Å, Mn-O 2.0 Å
노드 초기 feature 벡터: [원자번호, 전기음성도, 반지름] 예: Li → [3, 0.98, 0.76]
3. GCN 레이어 적용 (1번째 레이어)
GCN은 노드 feature를 주변 노드 feature와 합쳐 업데이트합니다.
// Li 주변 O 3개 feature 평균
O_avg = ([8,3.44,0.73] + [8,3.44,0.73] + [8,3.44,0.73]) / 3
= [8, 3.44, 0.73]
// 새로운 Li feature 계산 (가중치 W=0.1)
Li_new = Li_initial + W * O_avg
= [3,0.98,0.76] + 0.1 * [8,3.44,0.73]
≈ [3.8, 1.324, 0.833]
4. GCN 레이어 적용 (2번째 레이어)
2-hop neighbors까지 통합하여 feature 업데이트 예시: Li → [4.1, 1.5, 0.85]
5. 그래프 풀링
모든 노드(feature)를 평균(pooling)하여 그래프 전체 feature 벡터 생성:
Graph_feature = mean([Li, Ni, Co, Mn, O])
≈ [5.0, 1.8, 1.0]
6. 회귀층(Fully Connected Layer) 적용
Graph_feature → FC Layer → 예측 전도도
Predicted_conductivity = FC([5.0,1.8,1.0]) ≈ 1.18 S/cm 실제 DFT/실험값 = 1.2 S/cm
7. 직관적 이해
- GCN은 "원자가 주변 원자와 어떻게 연결되어 있는지" 학습
- Li-Ni-O 결합 많으면 전도도 ↑, Co 많으면 전도도 ↓
- 단순 원자 조합만 보는 모델보다 구조적 관계까지 반영 가능
8. 연구 활용
- 리튬 확산 계수, 전자 전도도, 안정성 등 물성 예측 가능
- DFT 계산 없이 새로운 소재 후보 빠르게 스크리닝 가능
- 수천~수만 개 소재 데이터를 학습하여 패턴 인식
댓글 없음:
댓글 쓰기