MLIP와 ML 기반 물성 예측 비교
1. MLIP (Machine Learning Interatomic Potential)
① 입력 (Input)
- 원자 종류: Li, C, O, Ni, Co 등
- 각 원자의 위치 좌표 (x, y, z)
- 이웃 원자와의 거리
- 각도 정보
- 구조 기술자(descriptor): SOAP, ACSF, Graph 표현 등
입력은 결정 구조 또는 분자 구조와 같은 원자 수준 정보이다.
② 예측 방법 (Prediction Method)
학습 데이터:
- DFT 계산 결과
- 총 에너지(E)
- 원자별 힘(F)
- 응력(stress)
신경망, Gaussian Process, Graph Neural Network 등을 사용하여 구조 → 에너지 함수를 학습한다.
③ 출력 (Output)
- 총 에너지 E
- 각 원자에 작용하는 힘 (Fx, Fy, Fz)
- 응력 텐서
④ 목적
DFT처럼 정확하지만 매우 빠른 계산이 가능한 퍼텐셜을 만들어 분자동역학(MD) 시뮬레이션에 사용하는 것이 목적이다.
2. ML 기반 물성 예측 (Property Prediction)
① 입력 (Input)
- 화학 조성: LiFePO4, NMC811
- 평균 원자 질량
- 평균 전기음성도
- 격자 상수
- 공극률, 입자 크기
- 운전 조건: 온도, SOC, C-rate
입력은 재료나 시스템을 요약한 특징량이다.
② 예측 방법 (Prediction Method)
학습 데이터:
- 실험 데이터
- DFT로 계산한 물성
- 시뮬레이션 결과
Random Forest, XGBoost, Neural Network, Transformer 등을 사용하여 입력 → 물성값 관계를 학습한다.
③ 출력 (Output)
- 탄성계수 (GPa)
- 이온 전도도 (S/cm)
- 열전도도
- 확산계수
- 배터리 수명 (cycle)
- 용량 감소율
- 내부저항 증가율
④ 목적
재료 또는 시스템의 성능을 빠르게 예측하는 것이 목적이다.
3. 차이점 요약
| 구분 | MLIP | ML 기반 물성 예측 |
|---|---|---|
| 입력 | 원자 좌표, 원자종 | 조성, 특징량, 운전조건 |
| 물리 의미 | 원자 간 상호작용 | 거시적 성능 |
| 학습 대상 | 에너지, 힘 | 물성값 |
| 출력 | 힘, 에너지 | 전도도, 수명, 탄성계수 |
| 사용 목적 | MD 시뮬레이션 | 빠른 성능 예측 |
| 스케일 | 원자 수준 | 재료/셀 수준 |
4. 배터리 예시
MLIP 방식
- 입력: 리튬 + 흑연 원자 좌표
- 출력: 확산 경로, 에너지 장벽
- 활용: 확산계수 계산 → 수명 모델 입력
ML 물성 예측 방식
- 입력: NMC811, 입자 크기, 충전 속도, 온도
- 출력: 예상 수명(1200 cycle), 용량 유지율(85%)
5. 한 줄 요약
MLIP는 원자들이 서로 어떻게 힘을 주고받는지를 예측하는 모델이고, ML 기반 물성 예측은 그 결과로 나타나는 성능 숫자를 예측하는 모델이다.
댓글 없음:
댓글 쓰기