AIMNet2-rxn: 반응 경로 모델링 위한 머신러닝 전위
화학 반응의 메커니즘 모델링은 반응성을 이해하고 실험 전 결과를 예측하는 데 중요합니다. 기존 머신러닝 기반 원자간 전위(MLIP) 모델은 다양한 반응 모델링에 필요한 정확도가 부족하다는 한계가 있었습니다. 본 연구는 이러한 문제를 해결하고자 폐쇄껍질 탄소, 수소, 질소, 산소 반응의 메커니즘 모델링을 위한 일반 MLIP인 AIMNet2-rxn을 개발했습니다. AIMNet2-rxn은 약 470만 개의 범위 분리 밀도 범함수 이론 계산 데이터셋을 활용하여 훈련되었습니다. 이 모델은 참조 양자 역학(QM) 방법보다 약 100만 배 빠르게 반응을 모델링할 수 있으며, 그래프 기반 머신러닝보다 훨씬 뛰어난 성능을 보였습니다. 이는 3차원 화학 정보를 훈련에 활용하는 것의 가치를 재확인시켜 줍니다. 아미드 형성, 양성자 전달, 고리형 반응 등 잘 알려진 반응 메커니즘 테스트에서 AIMNet2-rxn은 재훈련이나 시스템별 미세 조정 없이도 반응 좌표 전반에 걸쳐 1~2 kcal/mol의 정확도를 달성했습니다. GPU 병렬 처리를 활용하고 AIMNet2-rxn의 효율성을 극대화하기 위해, 수백만 개의 반응에 대한 최소 에너지 경로 탐색을 가능하게 하는 배치 누지드 탄성 밴드(NEB) 절차를 도입했습니다. 또한, 글루코스 열분해의 주요 생성물인 하이드록시메틸푸르푸랄(HMF)을 생성하는 11단계 경로의 열역학적 특성을 평가하여 복잡한 반응 특성화를 성공적으로 시연했습니다. AIMNet2-rxn이 제공하는 정확성과 효율성은 QM 방법으로는 불가능했던 고속 반응 발견 및 심층 반응 네트워크 분석 분야에 새로운 기회를 창출할 것입니다.