AUG 6, 2025

재료 과학 응용을 위한 ‘ 머신러닝 ’ 힘장의 발전

머신러닝 머신러닝 (MLFF)라고도 불리는 힘장(force fields)은 다양한 화학 시스템에 대한 비용 효율적인 원자 수준 시뮬레이션을 위한 핵심 도구로 부상했으며, 종종 밀도 함수 이론( ) 수준의 정확도를 훨씬 적은 비용으로 달성합니다. 메시지 전달 네트워크(message passing networks) 분야의 최근 발전으로 인해, 모델링할 수 있는 고유 원소 수에 제한을 받았던 기존 MLFF의 단점이 해소되었습니다. 또한, 전하 평형화 기법을 통해 원자 전하와 정전기적 상호작용을 포함시킴으로써, 다중 전하 상태, 이온계, 전자적 반응 특성을 정확하게 표현할 수 있게 되었으며, 동시에 명시적 장거리 상호작용을 활용하여 정확도를 향상시켰습니다.DFT

이번 웨비나에서는 정확한 전하 표현을 위해 명시적 정전기력을 통합한, ‘ Schrödinger’의 최첨단 MLFF 아키텍처인 ‘반복적 전하 평형화 기능을 갖춘 메시지 전달 네트워크(MPNICE)’를 소개합니다. 저희는 주기율표 전체(89개 원소)를 아우르는 물질들을 대상으로 훈련된 사전 학습 모델 군을 소개합니다. MPNICE는 효율적인 처리량을 최우선으로 하여, 정확도를 저하시키지 않으면서도 이전에는 접근할 수 없었던 공간 및 시간 규모에서 원자 수준 시뮬레이션을 가능하게 합니다. 또한, 재료 설계를 위해 더 크고 복잡한 시뮬레이션을 수행할 수 있도록 MLFF를 통합한 ‘ Schrödinger ’ 제품군의 활용 가능한 도구들을 개괄적으로 설명하며, 시연 전반에 걸쳐 산업 현장에 적용 가능한 사례를 제시할 예정입니다.

주요 내용:

• MPNICE 개요 – 원자적 부분 전하와 장거리 상호작용을 포함하면서도, 유사한 모델보다 한 차원 더 빠른 속도를 유지하는 메시지 전달 방식의 MLFF 아키텍처
• 산업 현장의 요구 사항을 해결하기 위해 일반적인 유기, 무기 및 하이브리드(유기 및 무기) 모델을 포함한 MPNICE의 최근 적용 사례 중 주요 내용