밀도범함수이론(DFT)

원자가 움직일 때마다 전자 분포를 다시 풀어야 하므로 계산량이 빠르게 늘어난다. 이 비용 때문에 DFT는 작은 계와 신중하게 고른 구조, 전자 이동이 직접 관여하는 화학 변화에 집중한다. 까다로운 문제에서는 실험이나 더 정밀한 참조 계산으로 결과를 검증한다.

연구실에서는 DFT 결과를 머신러닝 역장(machine learning force field)(MLFF)의 학습 자료로 쓴다. MLFF는 양자 계산을 학습해 원자 에너지와 힘을 예측하는 모형이다. 학습 자료에는 평범한 액체 구조와 이온 주위의 물이 바뀌는 순간, 결합이 재배열되는 순간처럼 드물고 중요한 배치를 함께 넣는다. 예측 불확실성이 큰 배치는 DFT로 다시 계산해 학습 자료를 넓힌다. 이 순환은 빠른 모형을 양자 계산에 연결하고 학습한 화학 범위를 분명히 정한다.

참조 자료 한 건에는 원자 종류와 좌표, 전체 에너지, 원자별 힘이 함께 담긴다. 계산 출처도 기록해 나중의 비교가 추적 가능하도록 한다. 다음 계층의 MLFF는 이런 자료 여러 건에서 구조와 에너지의 관계를 배우고 더 큰 계와 긴 궤적으로 계산 범위를 넓힌다.