머신러닝 역장
양자 계산을 학습한 모형이 원자에 작용하는 힘을 빠르게 예측해 반응계와 수용액계의 원자 운동을 더 큰 계와 긴 시간으로 확장한다.
Buckycatcher 분자
이중벽 탄소나노튜브
양자 계산에서 힘을 배운다
머신러닝 역장(MLFF)은 양자 계산을 학습해 원자의 에너지와 힘을 예측하는 모형이다. 학습 자료 한 건에는 원자 배치와 그 배치에서 계산한 에너지, 원자별 힘이 담긴다. MLFF는 구조가 바뀔 때 에너지가 어떻게 달라지는지 연속적인 관계로 배운다. 학습이 끝난 MLFF는 각 스텝의 에너지와 힘을 예측한다.
학습 자료가 정하는 적용 범위
계산이 빨라지면 원자 해상도를 유지한 채 더 큰 계에서 더 긴 분자동역학 궤적을 얻을 수 있다. 이온 주위의 물이 바뀌는 과정이나 일부 결합 반응처럼 직접 양자 동역학으로 짧게 관찰하던 현상도 충분히 반복해 볼 수 있다. 별도의 양자 계산과 실험 관측량이 학습 자료가 포괄하는 화학 환경과 모형의 적용 범위를 정한다.
연구실에서 묻는 질문
연구실은 서로 다른 염이 물의 확산을 늦추거나 빠르게 하는 이유, 물 분자가 Al³⁺ 주위에 들어오는 경로, 고온·고압의 초임계 물에서 아세트산이 산화되는 과정을 MLFF 궤적으로 연구한다. 움직임 전체에서 평균과 속도, 반응 경로를 구한다. 염수에서는 물 분자 사이의 연동 운동이 염에 따른 차이를 가른다. 반응이 넘어야 하는 높은 에너지 구간의 학습 밀도가 장벽 정확도를 좌우한다.
두 계층을 잇는 반복
MLFF는 더 단순한 역장이 맞춰야 할 구조와 속도를 제공한다. 예측 불확실성이 큰 원자 배치는 DFT로 되돌려 새 참조값을 얻는다. DFT가 모형의 기준을 잡고 MLFF가 다음 참조 계산을 고르는 순환이다.
관련 논문
Yu et al., Science Advances (2024), MLFF를 이용한 물 확산 이상 현상
Ryu et al., J. Mol. Liquids (2024), 물의 유전 완화
Ryu et al., J. Chem. Inf. Model. (2025), 초임계수 내 아세트산 반응