물리/화학 기초 Physics & Chemistry Foundations

  • DFT (밀도범함수이론) MLIP의 정답 데이터(Label)가 생성되는 양자역학적 계산 원리와 한계점 이해
  • PES (포텐셜 에너지 곡면) 원자 좌표에 따른 에너지 지형을 수학적으로 모사하는 개념 습득
  • Force & Stress 에너지 미분을 통해 각 원자에 작용하는 물리적 힘을 도출하는 원리

머신러닝 아키텍처 AI Models & Geometry

  • Symmetry Functions (대칭 함수) 원자의 국부적 환경을 AI가 인식 가능한 불변(Invariant) 벡터로 변환하는 기법
  • Equivariance (등변성) 회전이나 평행이동 시 물리 법칙이 유지되도록 설계된 최신 신경망 구조
  • GNN (그래프 신경망) 원자 간 상호작용을 메시지 패싱(Message Passing)으로 학습하는 알고리즘

실무 워크플로우 Simulation & Data Ops

  • Active Learning (능동 학습) 데이터가 부족한 지점을 스스로 파악하여 DFT 계산을 요청하는 학습 효율화 전략
  • Molecular Dynamics (분자역학) 생성된 MLIP 포텐셜을 엔진으로 삼아 시간에 따른 원자의 움직임을 관찰
  • Transfer Learning (전이 학습) 거대 범용 모델을 특정 소재나 바이오 공정 데이터에 맞게 최적화(Fine-tuning)

🚀 전문가 추천 로드맵

기존 소재 시뮬레이션 지식을 기반으로 ASE(Atomic Simulation Environment)를 먼저 실습해 보세요. 이후 MACE 또는 DeepMD-kit 프레임워크를 통해 실제 데이터를 모델에 학습시키는 과정을 경험하는 것이 가장 효과적입니다.