Descriptor 특성이 신경망포텐셜의 소재 물성 예측 정확도에 미치는 영향에 관한 연구

초록

본 연구에서는 신경망포텐셜(Neural Network Potential)의 효율성과 정확도를 동시에 달성할 수 있는 기술자벡터 조건을 도출하고자 한다. 소재 시스템은 단원소 소재인 실리콘으로 선정하였으며, 인공신경망 학습을 위한 원자 구조별 에너지 데이터는 밀도범함수이론 계산을 통하여 생성하였다. Behler-Parrinello 타입의 원자중심대칭함수를 기술자벡터로 사용하였고, 다양한 벡터 길이에 대한 신경망포텐셜 생성 후 분자동역학 시뮬레이션에 적용하여 실리콘 소재의 구조 및 기계적 물성 재현성을 평가하였다. 실험 결과, 물성 재현 정확도를 유지하면서 학습 및 계산 효율성을 동시에 달성할 수 있는 기술자벡터의 최소 길이는 약 50이고, 소재의 기계적 물성이 이 길이에 더 큰 영향을 받으며, 같은 길이의 조건에서는 방사 대비 각도 방향 대칭함수를 더 반영하면 신경망포텐셜의 정확도가 올라감을 발견하였다. 이를 토대로 신경망포텐셜의 효율성과 정확도 동시 달성을 위한 최적의 기술자벡터 설정 가이드라인 제공이 가능할 것으로 기대된다.

키워드