전자 구조 데이터의 낮은 내재적 차원과 중복성
전자 구조 예측을 위한 머신러닝(ML) 모델은 일반적으로 계산 비용이 높은 콘-샴 밀도 범함수 이론(Kohn-Sham DFT) 계산으로 생성된 대규모 데이터셋에 의존합니다. 이는 정확한 학습에 필수적인 데이터 부분이 사전에 알려져 있지 않기 때문입니다. 본 연구는 다양한 재료 시스템에 걸쳐 전자 구조 데이터셋에 상당한 중복성이 존재함을 밝히고, 이를 기본 데이터의 낮은 내재적 차원(intrinsic dimensionality)에 기인한다고 설명합니다. 우리는 무작위 가지치기(random pruning)만으로도 예측 정확도 저하를 최소화하면서 데이터셋 크기를 크게 줄일 수 있음을 보여줍니다. 나아가, 모든 학습 난이도에 걸쳐 데이터를 샘플링하는 최첨단 커버리지 기반 가지치기 전략은 화학적 정확도와 모델 일반화 능력을 거의 항상 유지하면서도 데이터 사용량을 최대 두 자릿수까지 줄이고 훈련 시간을 3배 이상 단축시킵니다. 또한, 필수적인 전자 구조 정보가 저차원의 비선형 매니폴드(manifold)에 존재함을 입증하여 관찰된 가지치기 가능성에 대한 기하학적 설명을 제시합니다. 이러한 관찰은 근시안성(nearsightedness) 논증이 시사하듯이 전자 특성 결정에 있어 국부적인 원자 환경의 우세함과 일치하며, 대규모 데이터셋이 고도로 중첩된 정보를 포함할 수 있음을 나타냅니다. 본 연구 결과는 정확한 ML 기반 전자 구조 예측을 위해 방대한 데이터셋이 필수적이라는 기존의 가정에 도전하며, 각 재료 클래스에 대한 최소한의 대표적인 데이터셋을 식별하는 새로운 방향을 제시합니다.