🎬 머신러닝 원자간 포텐셜(MLIP) 유튜브 강의 추천
Track 1. 이론적 배경 및 모델 아키텍처 깊이 이해하기
강력 추천 (거장 세미나)
Machine learning potentials: from polynomials to message passing networks
채널: IPAM UCLA / 연사: Gabor Csányi 교수 (University of Cambridge)
- 특징: GAP(Gaussian Approximation Potential)의 창시자가 직접 강의하는 2023년 워크숍 핵심 요약본입니다.
- 주요 내용: 전통 다항식 기술부터 MTP, ACE, 그리고 최신 equivariant message passing 네트워크(MACE 등)까지 MLIP의 발전 궤적과 통일된 설계 공간(Design Space)을 완벽하게 짚어줍니다.
학습 정석
Machine learning for interatomic potentials
채널: FAIRmat NFDI / 연사: Daniel Schwalbe-Koda 박사 (LLNL)
- 특징: Winter School 교육 프로그램의 일환으로 구성이 매우 체계적입니다.
- 주요 내용: 기본 물리·수학적 개념부터 데이터셋 준비, 모델 검증 단계까지 교과서적인 흐름으로 차근차근 다지기 좋습니다.
Track 2. 실전 튜토리얼 및 구현 (Hands-on Coding)
실전 코드 1
How to train your first ML Interatomic Potential using NequIP? [TUTORIAL 1]
채널: Manas Sharma
- 특징: 대표적인 Equivariant GNN 모델인 NequIP의 입문용 실습 영상입니다.
- 주요 내용: 실리콘 결정 데이터(AIMD 궤적)를 바탕으로 Kaggle 환경에서 무료 GPU를 쓰며 실습합니다. Extended XYZ 포맷 다루기, YAML 설정 파일 세팅, 오차 분석법 등 실무 팁이 풍부합니다.
실전 코드 2
GRACE Interatomic Potentials: Practical Tutorial for Parameterization and Usage
채널: Materials Science 관련 연구 채널
- 특징: 최근 주목받는 확장성 높은 아키텍처인 GRACE(Graph Atomic Cluster Expansion)를 다룹니다.
- 주요 내용: Al-Li 합금 등 실제 재료 시스템을 타깃으로 학습(Parameterization)을 진행하고, 이를 Python ASE 및 LAMMPS 분자동역학 시뮬레이션에 실제로 임베딩하는 연동 과정을 타임라인별로 상세히 알려줍니다.
💡 효과적인 학습 로드맵 제안
먼저 Gabor Csányi 교수의 영상으로 머신러닝 포텐셜의 수학적 대칭성(불변성/가변성)과 최신 흐름을 머릿속에 스케치하세요. 그 다음, 본인의 연구 목적에 맞춰 NequIP 또는 GRACE 튜토리얼 코드를 주피터 노트북이나 리눅스 터미널에 직접 타이핑하며 따라가는 방식을 추천합니다.