MLIP 기반 물성 예측 과정

MLIP 기반 물성 예측 과정 이해하기

1. 물성 DB에서 데이터 수집

물성 데이터베이스에서 원자 구조, 에너지, 힘 등의 데이터를 가져옵니다. 대표적인 DB에는 Materials Project, AFLOW, OQMD 등이 있습니다.

• 원자 구조 (Atomic Structure)
• 에너지 (Energy)
• 힘 (Forces)
• 전자 구조

핵심: MLIP은 원자 배치와 에너지/힘 관계를 학습합니다.

2. 데이터 전처리

모델이 이해할 수 있도록 원자 구조를 수치 형태로 변환합니다.

• 좌표 → 벡터 변환
• 원자 주변 환경 수치화

대표 기법: Atom-centered symmetry functions, SOAP descriptor

핵심: 원자 주변 환경을 숫자로 표현하는 단계입니다.

3. MLIP 모델 학습

Machine Learning Interatomic Potential 모델을 학습합니다.

• 입력: 원자 구조
• 출력: 에너지 및 힘

대표 모델: Neural Network Potential (NNP), Gaussian Approximation Potential (GAP)

핵심: 구조 → 물리량 관계를 학습합니다.

4. 모델 검증

학습된 모델의 정확도를 평가합니다.

• MAE, RMSE 평가
• DFT 결과와 비교

핵심: 실제 물리 계산과 얼마나 가까운지 확인합니다.

5. MLIP 기반 시뮬레이션

학습된 모델을 사용해 빠른 시뮬레이션을 수행합니다.

• 분자동역학 (MD)
• 구조 안정성 평가
• 온도/압력 변화 분석

장점: DFT 대비 수백~수천 배 빠른 계산 속도

6. 물성 예측

시뮬레이션 결과를 기반으로 다양한 물성을 예측합니다.

• 탄성계수
• 열전도도
• 확산계수
• 상변화

전체 흐름 요약

데이터 수집 → 전처리 → MLIP 학습 → 검증 → 시뮬레이션 → 물성 예측

쉬운 비유

MLIP은 요리사와 같습니다.

• DB = 레시피
• DFT = 정밀 요리 (느리지만 정확)
• MLIP = 숙련된 셰프 (빠르고 효율적)

많은 데이터를 학습한 MLIP은 새로운 물성도 빠르게 예측할 수 있습니다.

실무에서 중요한 포인트

• 데이터 품질이 가장 중요
• 적절한 descriptor 선택
• 모델의 적용 범위 확인
• Active Learning 활용 시 성능 향상