그래프 원자 클러스터 확장 기반 범용 원자간 포텐셜
정확하고 효율적인 기계 학습 원자간 포텐셜은 광범위한 재료 모델링을 가속화하여 원자 수준 발견을 촉진하는 데 필수적입니다. 본 연구는 그래프 원자 클러스터 확장(GRACE) 프레임워크를 기반으로 하는 범용 포텐셜을 소개하며, 이는 현존하는 가장 큰 재료 데이터셋을 활용하여 훈련되었습니다. GRACE 모델은 포괄적인 벤치마크를 통해 기존의 파운데이션 원자간 포텐셜 중 정확도와 효율성 측면에서 새로운 파레토 프론트를 구축했음을 입증했습니다. 이는 기존 모델 대비 우수한 성능을 보여줍니다. 또한, 미세 조정 및 지식 증류를 통해 GR…