원자 중심 상호작용 퍼텐셜 설계 공간

지난 10년간 머신러닝은 분자 동역학 시뮬레이션 분야에 혁신을 가져왔으며, 특히 머신러닝 상호작용 퍼텐셜(ML-IAP) 분야에서 다양한 새로운 아키텍처가 등장했습니다. 대표적으로 원자 밀도 기반 기술을 통합한 원자 클러스터 확장(ACE)과 최첨단 정확도를 보인 메시지 전달 신경망 NequIP(Neural Equivariant Interatomic Potentials)가 있습니다. 본 연구는 이들 모델을 통합하는 수학적 프레임워크를 제시합니다. ACE는 다층 아키텍처의 한 레이어로 확장 및 재구성되며, NequIP의 선형화 버전은 더 큰 다항식 모델의 특정 희소화로 해석됩니다. 이 프레임워크는 통합된 설계 공간 내에서 다양한 선택을 체계적으로 탐색할 수 있는 실용적인 도구를 제공합니다. NequIP에 대한 제거 연구(ablation study)를 통해, 훈련 데이터 내외 및 훈련 데이터에서 멀리 떨어진 영역에서의 정확도와 부드러운 외삽 능력을 분석하여 고정확도 달성에 중요한 설계 요소를 밝혀냈습니다. 또한, BOTnet(body-ordered tensor network)이라는 NequIP의 단순화된 버전은 해석 가능한 아키텍처를 가지면서도 벤치마크 데이터셋에서 높은 정확도를 유지했습니다. 이 프레임워크는 ML-IAP 모델의 이해를 심화하고, 향후 고성능 상호작용 퍼텐셜 개발을 위한 체계적인 설계 원칙을 제시하는 데 기여할 것입니다.