Li 삽입 이중층 그래핀의 안정 구조 예측
리튬 이온 배터리의 저장 용량과 충방전 속도를 개선하기 위해 벌크 흑연을 다층 그래핀으로 대체하는 연구가 활발합니다. 이중층 그래핀(BLG)은 가장 간단한 층상 그래핀 시스템으로, 이러한 성능 향상의 구조적 원인을 규명하는 데 이상적인 모델입니다. 그러나 안정적인 Li 삽입 구조를 예측하려면 밀도범함수이론(DFT)을 사용하여 방대한 구성 공간을 탐색해야 하므로, 대규모 초격자에서는 계산 비용이 엄청나게 증가하는 문제가 있습니다. 본 연구에서는 Li 삽입 이중층 그래핀의 안정 구조 예측을 가속화하기 위한 데이터 효율적인 딥러닝 프레임워크인 DESSP를 제안합니다. DESSP는 유전 알고리즘 기반 탐색 파이프라인과 DFT를 대체하는 머신러닝 상호작용 전위(MLIP)를 결합하여, 넓고 효율적인 전위 에너지 표면 탐색을 가능하게 합니다. 탐색 궤적을 따라 샘플링된 대표 구조들은 DFT로 선별적으로 라벨링되어 고정밀 MLIP를 훈련하며, 증류 기반 전략으로 예측 정확도를 더욱 향상시킵니다. 그 결과, DESSP 모델은 DFT에 근접한 정확도를 달성하고 더 큰 초격자에도 효과적으로 일반화됩니다. 이 프레임워크는 훨씬 낮은 계산 비용으로 열역학적 볼록 껍질을 재현하며, 배터리 내 나노 스케일 층상 전극 연구를 위한 확장 가능한 방법을 제공합니다.