4편의 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 …
헤시안 행렬은 포텐셜 에너지 표면의 국부적 형상에 대한 풍부한 정보를 담고 있어, 이를 머신러닝 원자간 포텐셜(MLIP) 훈련에 활용하면 정확도와 견고성을 크게 향상시킬 수 있습니다. 그러나 헤시안 행렬을 명시적으로 구성하고 저장하는 데 드는 이차적인 계산 및 메모리 비용 때문에 실제 적용에 제약이 있었습니다. 본 연구는 이러한 문제를 해결하기 위해 헤시안-벡터 곱(HVP)만을 사용하여 곡률 정보를 통합하는 확장 가능한 2차 훈련 프레임워크인 예측 헤시안 학습(PHL)을 제안합니다. PHL은 명시적인 헤시안 구성 없이 확률적 탐침…
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…
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…
