원자 시뮬레이션을 위한 기계 학습 포텐셜
기계 학습 원자간 포텐셜(MLIP)은 경험적 포텐셜의 효율성과 제일원리 계산의 정확성을 결합하여 재료 과학 및 원자 시뮬레이션 발전에 크게 기여했습니다. 그러나 기존의 직교 좌표 표현은 회전 차수가 혼합되고 중복 성분을 포함하며, 텐서 차수가 높아질수록 복잡성이 증가하는 한계가 있습니다. 본 연구는 이러한 문제를 해결하기 위해 비환원 직교 동적 어텐션 포텐셜(ICDP)을 제안합니다. ICDP는 비환원 직교 텐서 분해를 통해 에지 방향의 조밀한 직교 텐서 곱을 2ℓ+1 차원의 압축된 비환원 부분 공간에 투영하여 회전 등변성을 유지하면서 표현 중복성을 줄입니다. 또한, 스칼라 환경 분기 및 비환원 기하 분기로 구성된 동적 어텐션 메커니즘을 도입하여 국부 원자 환경에 따라 이웃 원자의 기여도를 적응적으로 조절합니다. ICDP는 벌크 물, LiPS, GAP17 데이터셋에서 에너지 및 힘 예측에 높은 정확도를 보였습니다. 분자 동역학 시뮬레이션을 통해 다양한 시스템의 구조적 및 동적 특성을 효과적으로 설명할 수 있음을 입증했습니다. 이 연구는 MLIP의 표현 효율성과 정확성을 향상시켜 원자 시뮬레이션 분야의 발전에 기여할 것으로 기대됩니다. 관련 코드는 공개적으로 제공됩니다.