KAIST

< (왼쪽부터) 전기및전자공학부 김용훈 교수, 이룡규 박사과정 >

인공지능과 고성능 과학계산 간의 밀접한 관련성은 최근 2024년도 노벨 물리학상과 화학상이 동시에 수상된 것을 보면 알 수 있다. 우리 연구진이 인공지능을 활용하여 3차원 공간에 분포하는 원자 수준의 화학결합 정보를 예측하여 양자역학적 고성능 컴퓨터 시뮬레이션의 계산 시간을 획기적으로 단축하는데 성공했다. 

우리 대학 전기및전자공학부 김용훈 교수팀이 물질의 특성을 도출하기 위해 슈퍼컴퓨터를 활용해 수행되는 원자 수준 양자역학적 계산에 필요한 복잡한 알고리즘을 우회하는 3차원 컴퓨터 비전 인공신경망 기반 계산 방법론을 세계 최초로 개발했다고 30일 밝혔다. 

슈퍼컴퓨터를 활용한 양자역학적 밀도범함수론(density functional theory, DFT)* 계산은 빠르면서도 정확하게 양자 물성을 예측할 수 있게 해 첨단 소재 및 약물 설계를 포함한 광범위한 연구·개발 분야에서 표준적인 도구로 자리 잡아 필수 불가결한 역할을 하고 있다.

*밀도범함수론(DFT): 원자 단위에서부터 양자역학적으로 물성을 계산하는 제1원리 계산의 대표적인 이론 

그러나 실제 밀도범함수론 계산에서는 3차원적인 전자밀도를 생성한 후 양자역학 방정식을 푸는 복잡한 자기일관장 과정(self-consistent field, SCF)*을 수십에서 수백 번씩 반복해야 해서 그 적용 범위가 수백~수천 개의 원자로 제한되는 한계가 있었다.

*자기일관장(SCF): 상호 연결된 여러 개의 연립 미분 방정식으로 기술해야 하는 복잡한 다체 문제(many-body problem)를 해결하기 위해 널리 사용되는 과학계산법

< 그림 1. 물질·소재 시뮬레이션에는 공간-시간 수준(level) 또는 스케일(scale)에 따라 나노미터(nm) 수준에서의 양자역학적 계산, 수십~수백 나노미터 규모의 고전역학적 힘장(force fields) 계산, 거시적 규모에서의 연속체 역학 계산 및 서로 다른 스케일의 시뮬레이션들을 혼합하는 계산 등의 다양한 방법론들이 활용됨. 이러한 시뮬레이션들은 이미 정보학(informatics) 기법 등과 결합하여 광범위한 기초연구 및 응용개발 분야에서 핵심적인 역할을 하고 있음. 최근에는 기계학습 기법을 도입해 시뮬레이션을 급진적으로 가속하고자 하는 노력이 활발하게 이루어지고 있으나 상위 스케일 시뮬레이션들의 근간을 이루는 양자역학적 전자구조 계산에 기계학습 기법을 도입하는 연구는 아직 미진한 상황임. >

김용훈 교수 연구팀은 자기일관장 과정을 최근 급속한 발전을 이룬 인공지능 기법으로 회피하는 것이 가능한지 질문했다. 그 결과 3차원 공간에 분포된 화학 결합 정보를 컴퓨터 비전 분야의 신경망 알고리즘을 통해 학습해 계산을 가속화하는 딥SCF(DeepSCF) 모델을 개발했다. 

연구진은 밀도범함수론에 따라 전자밀도가 전자들의 양자역학적 정보를 모두 포함하고 있으며 이에 더해 전체 전자밀도와 구성 원자들의 전자밀도의 합 간의 차이인 잔여 전자밀도가 화학결합 정보를 담고 있는 점에 주목하고 기계학습의 목표물로 선정했다.

< 그림 2. 이번 연구에서 개발된 딥SCF 방법론은 전통적인 양자역학적 전자구조 계산에서 반복적으로 수행되어야 했던 자기일관장 과정을(주황색 박스) 인공신경망 기법을 통해 회피하여 DFT 계산을 급속히 가속화 하는 방안을 제공함(초록색 박스). 자기일관장 과정은 3차원 전자밀도를 예측하고 이에 해당하는 포텐셜을 구성한 후 양자역학적 콘-샴 방정식을 푸는 것을 수십-수백번 반복하는 과정임. 딥SCF 방법론의 핵심적인 아이디어는 전자밀도(ρ)와 구성 원자들의 전자밀도 합(ρ0) 차이인 잔여 전자밀도(δρ)가 화학결합 정보에 해당하므로 3차원 합성곱신경망 모델로 자기일관장 과정을 대체하는 것임. >

이후 다양한 화학결합 특성을 포함한 유기 분자들의 데이터 세트를 채택했고 그 안에 포함된 분자들의 원자구조들에 임의의 회전과 변형을 가해 모델의 정확도 및 일반화 성능을 더욱 높였다. 최종적으로 연구팀은 복잡하고 큰 시스템에 대해 딥SCF 방법론의 유효성 및 효율성을 입증했다. 

이번 연구를 지도한 김용훈 교수는“3차원 공간에 분포된 양자역학적 화학결합 정보를 인공 신경망에 대응시키는 방법을 찾았다”며 “양자역학적 전자구조 계산이 모든 스케일의 물성 시뮬레이션의 근간이 되므로 인공지능을 통한 물질 계산 가속화의 전반적인 기반 원리를 확립한 것”이라고 연구의 의의를 부여했다.

< 그림 3. 탄소나노튜브 기반의 DNA 염기서열 분석 소자 모델(상단 왼쪽)에 대한 딥SCF 방법론 적용 예시. 고전역학적 원자간 힘뿐만 아니라(하단 오른쪽) 화학 결합의 정보를 담고 있는 잔여 전자밀도(상단 오른쪽) 및 전자 상태밀도(density of states, DOS)와 같은 양자역학적 전자구조 특성들(하단 왼쪽)을 SCF 과정을 수행하는 표준 DFT 계산 결과에 대응되는 정확도로 빠르게 예측함. >

전기및전자공학부 이룡규 박사과정이 제 1저자로 수행한 이번 연구는 소재 계산 분야의 권위 있는 학술지 '네이쳐 파트너 저널 컴퓨테이셔널 머터리얼즈(Npj Computational Materials)'에 10월 24일 字 온라인판에 게재됐다. (논문명 : Convolutional network learning of self-consistent electron density via grid-projected atomic fingerprints) 

한편, 이번 연구는 KAIST 석박사 모험사업, 한국연구재단 중견연구자지원사업 등의 지원을 받아 수행되었다.