Diffusion 모델을 이용한 소재 설계(Inverse Design)

소재 연구에서 Diffusion 모델을 활용한 inverse design은 매우 활발하게 연구되는 분야입니다. 핵심 아이디어는 원하는 물성(Y)을 먼저 정하고 그 물성을 만족하는 구조(X)를 생성하는 것입니다.

여기서 Diffusion 모델은 생성형 인공지능 모델이며 확률적 방식으로 새로운 데이터를 생성할 수 있습니다. Inverse Design은 목표 성능을 먼저 설정한 뒤 그 조건을 만족하는 소재 구조를 찾는 설계 방법입니다.

1. 문제 정의 (Forward → Inverse)

일반적인 소재 연구는 다음과 같은 Forward 문제입니다.

구조 X → 물성 Y

예를 들어 다음과 같은 구조 정보가 있습니다.

• 결정 구조
• 원자 배열
• 결합 거리

이 정보를 기반으로 다음과 같은 물성을 계산합니다.

• 밴드갭
• 탄성계수
• 이온 전도도

이러한 계산은 보통 DFT 계산이나 ML 기반 포텐셜을 이용합니다.

하지만 Inverse Design에서는 문제를 반대로 접근합니다.

목표 물성 Y* → 구조 X 생성

예를 들어 다음과 같은 목표를 설정합니다.

• 밴드갭 2 eV
• 높은 리튬 이온 전도도
• 특정 탄성계수

이 목표를 만족하는 새로운 구조를 찾는 것이 Inverse Design입니다.

2. Diffusion 모델을 사용하는 이유

기존의 inverse design 방법은 다음과 같은 탐색 방식이 많았습니다.

• Random search
• Genetic algorithm
• Bayesian optimization

하지만 소재 구조 공간은 매우 큽니다.

예를 들어 원자 100개가 있는 시스템이라면 자유도는 다음과 같습니다.

3 × 100 = 300 차원

이처럼 고차원 공간에서는 단순 탐색 방법이 매우 비효율적입니다. 그래서 구조를 확률적으로 생성할 수 있는 생성 모델이 필요합니다. 이때 사용하는 것이 Diffusion 모델입니다.

3. 전체 시스템 구조

Step 1. 데이터 구축

구조와 물성 데이터를 수집합니다.

• Materials Project
• OQMD
• 자체 DFT 계산 데이터

Step 2. Property Predictor 구축

구조에서 물성을 예측하는 모델을 학습합니다.

X → Y

대표적으로 Graph Neural Network 기반 모델이 사용됩니다.

• Graph Neural Network
• Crystal Graph Convolutional Neural Network

Step 3. Diffusion Generative Model 학습

Diffusion 모델은 구조 생성 모델입니다.

다음과 같은 구조 데이터를 학습합니다.

• crystal structure
• atomic coordinates
• lattice parameters

모델은 다음 관계를 학습합니다.

noise → structure

즉 노이즈에서 새로운 구조를 생성할 수 있습니다.

4. Property Conditioned Diffusion

Inverse design을 위해서는 조건부 diffusion이 필요합니다.

즉 목표 물성을 입력으로 사용합니다.

모델 구조는 다음과 같습니다.

(Y*, noise) → structure

예를 들어 목표 밴드갭이 2 eV일 경우 그 조건을 만족할 가능성이 높은 구조가 생성됩니다.

5. 실제 Inverse Design Workflow

1단계

데이터 수집 (구조 + 물성 데이터)

2단계

Property predictor 학습 (X → Y)

3단계

Diffusion generative model 학습

4단계

목표 물성 조건 입력

5단계

Diffusion sampling을 통해 구조 생성

6단계

생성된 구조를 ML predictor 또는 DFT로 검증

6. 실제 연구에서 많이 사용하는 방법

Classifier Guidance

구조 생성 과정에서 property predictor의 gradient를 사용하여 목표 물성 방향으로 샘플링을 유도합니다.

Classifier Free Guidance

조건 모델과 무조건 모델을 함께 학습하여 생성 과정에서 조건을 조절합니다.

Energy Guidance

구조 생성 과정에서 에너지를 최소화하도록 유도합니다.

7. 소재 연구에서 중요한 추가 요소

Crystal Symmetry

결정 구조의 대칭성이 유지되어야 합니다.

Chemical Validity

화학적으로 가능한 구조인지 확인해야 합니다.

Thermodynamic Stability

에너지가 안정적인 구조인지 검증해야 합니다.

8. 실제 연구 적용 분야

Diffusion 기반 inverse design은 다양한 소재 연구 분야에 활용됩니다.

• 배터리 cathode materials
• hydrogen storage materials
• catalyst design
• semiconductor discovery

핵심 정리

Diffusion 기반 소재 inverse design은 다음 단계로 진행됩니다.

1. 구조-물성 데이터 구축
2. Structure → Property predictor 학습
3. Diffusion generative model 학습
4. 목표 물성 조건 입력
5. 구조 생성
6. DFT 검증

즉 Diffusion 모델을 이용하여 구조를 생성하고 property predictor로 원하는 물성을 만족하는 구조를 찾는 방식입니다.