5편의 한국어 분석 — 최신순으로 정렬했어요
응집상 화학 분야에서 머신러닝 원자간 포텐셜(MLIP)은 제일원리 수준의 정확한 포텐셜 에너지 표면을 제공하지만, 실험 관련 관측값을 계산하는 데 필요한 샘플링 비용이 여전히 높다는 한계가 있습니다. 본 연구는 지식 증류(knowledge distillation) 기법을 활용하여, 파운데이션 모델 미세 조정 또는 델타 학습으로 얻은 대규모 '교사(teacher)' 모델의 정확도를 유지하면서도 훨씬 간결한 '학생(student)' 모델을 구축했습니다. 개발된 학생 모델은 시뮬레이션 비용을 약 10배 절감하여, 복잡한 응집상 문제에 …
유한 온도에서 양자 비조화 효과를 포함하는 신뢰할 수 있는 결정 구조 예측(CSP)은 여전히 어려운 과제이지만, 초전도성 수소화물과 같이 가벼운 원자를 포함하는 시스템에 특히 중요합니다. 본 연구에서는 머신러닝 기반 원자간 포텐셜(MLIP)과 확률적 자가 일관성 조화 근사(SSCHA)를 통합하여 양자 비조화 자유 에너지 지형에서 진화론적 CSP를 가능하게 했습니다. LaH10을 테스트 사례로 사용하여 세 가지 접근 방식을 비교했습니다. 첫째, 실시간으로 훈련되는 능동 학습 MLIP(AL-MLIP). 둘째, 범용 MLIP(uMLIP…
머신러닝 포텐셜(MLIP)은 양자 역학 수준의 정확도를 원자 모델링에 구현하여 계산 물리학 분야에 혁신을 가져왔습니다. 그러나 MLIP가 양자 수준의 정확도를 달성하려면 훈련 세트의 원자 환경이 시뮬레이션 중 마주치는 환경과 매우 유사해야 합니다. 모든 응용 분야에 적합한 단일 훈련 세트를 구축하는 것은 현재로서는 불가능하며, 이는 MLIP 훈련 프로토콜에 능동 학습이나 미세 조정과 같은 추가 학습 방법을 보완하는 복잡한 전략으로 이어집니다. 이러한 복잡한 프로토콜은 효율적인 구현이 어렵고, 해석, 분석, 재현에 많은 어려움이 따릅…
리튬 할라이드는 저렴한 비용, 높은 안정성 및 우수한 리튬 전도성으로 인해 고체 전해질로 활발히 연구되고 있습니다. 할라이드 기반 고체 전해질(HSE)의 구조와 특성은 합금화를 통해 조절 가능하나, 방대한 화학적 공간으로 인해 실험적 접근이 어렵습니다. 이에 본 연구는 광범위하게 적용 가능한 머신러닝 원자간 포텐셜(MLIP) 기반 시뮬레이션을 활용하여 구조-특성 관계를 규명하고 성능 향상에 기여하고자 합니다. 본 연구는 신뢰할 수 있는 실험 데이터가 존재하는 Li3YCl6xBr6(1-x) 시스템에 초점을 맞추어, 최근 개발된 PE…
본 논문은 GPU 기반 분자동역학(GPUMD) 패키지의 최신 안정화 버전인 GPUMD 4.0에 대한 포괄적인 개요를 제공한다. 초기 버전부터의 개발 역사를 간략히 검토하고, 다체 포텐셜에 대한 원자 간 힘, 비리얼, 열류 공식화, 고효율의 유연한 신경진화 포텐셜(NEP) 방법 개발, 지원되는 적분기 및 관련 연산, 실시간 계산 가능한 다양한 물리적 특성, 그리고 GPUMD 생태계를 포함한 GPUMD 패키지 개발의 이론적 기반을 논한다. 이러한 기능들을 제시한 후, GPUMD, 특히 NEP 접근 방식과 결합하여 가능해진 다양한 응용…
