응집상 화학 위한 머신러닝 포텐셜 증류
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 대한 고정확도 샘플링을 실용화합니다. 우리는 이 기법을 얼음 Ih의 유한 온도 NPT 시뮬레이션, 액체 물의 고전 및 경로 적분 시뮬레이션, 그리고 아나타제 TiO2(101)/물 계면에서의 물 해리 경로 적분 엄브렐라 샘플링 등 세 가지 샘플링 난이도가 다른 문제에 적용하여 성능을 입증했습니다. 증류된 학생 모델은 동일한 크기의 모델이 참조 데이터만으로 학습했을 때보다 교사 모델의 목표 관측값을 더 안정적으로 재현했습니다. 특히, 델타 학습된 CCSD(T) 수준의 교사 모델로부터 증류된 액체 물 학생 모델은 연구된 전체 온도 범위에서 열역학적, 구조적, 수송 및 핵 양자 효과를 정확히 재현했습니다. TiO2/물 계면에서는 지식 증류를 통해 PIMD 엄브렐라 샘플링이 실용화되었으며, 핵 양자 효과가 해리 장벽을 약 2 kcal/mol 낮추고 분자-해리 자유 에너지 차이를 최근 고체 17O NMR 측정값과 더 가깝게 일치시킴을 보여주었습니다. 본 연구는 지식 증류가 응집상 반응 열역학을 실험과 연결하는 데 필요한 정확한 MLIP 샘플링 방법을, 특히 계면 화학 및 촉매 분야에서 어떻게 실용화할 수 있는지 보여줍니다.