밀도 범함수 이론은 계산 재료과학의 주력 도구이며, 그 비용이 연구실이 후보 물질을 얼마나 많이 선별할 수 있는지를 가장 크게 제약합니다. Xiwen Li, Yang Zhong, Xingao Gong 등이 Nature Machine Intelligence에 낸 논문은 이 비용의 상당 부분을 피해 가는 방법을 제안합니다. 신경망으로 물질의 전자 전하 밀도를 바로 예측한 뒤, 느린 자기 일관 계산 루프 없이 이를 이용해 전자 구조를 계산하는 방식입니다.
Equivariant Density Graph Neural Network, 줄여서 EdenGNN이라는 이 모델은 전하 밀도와 함께 PAW 방법에 필요한 보강 점유수를 예측합니다. 덕분에 표준 평면파 계산 수준의 정확도에 이릅니다. 속도를 만든 설계는 두 가지입니다. 완전히 학습 가능한 지름 함수로 이루어진 기저로 밀도를 전개하고, 델타 학습을 씁니다. 밀도 전체를 예측하지 않고, 실제 밀도와 원자 밀도를 단순히 겹친 값 사이의 차이를 학습하는데, 이 차이는 주로 원자 사이에서 전하가 어떻게 이동하는지를 담습니다. 저자들은 기존 범용 전하 밀도 모델보다 10배 이상 빠르다고 보고합니다.
핵심 결과는 Materials Project 데이터베이스로 학습한 범용 모델 EdenGNN-Uni입니다. 주기율표 전체의 비자성 구조를 다루며, 저자들에 따르면 Google DeepMind의 GNoME 데이터베이스에서 가져온 시험 구조를 포함해 처음 보는 물질 대부분의 밴드 구조를 정확히 예측하고, 해밀토니안을 예측하는 범용 모델보다 견고합니다. 코드, 가중치, 데이터는 GitHub, Hugging Face, Zenodo에 공개됐고, OpenMX와 ABACUS용 패치, VASP용 안내도 있습니다.
이 연구는 더 잘 알려진 기계 학습 원자 간 퍼텐셜과 나란히 놓입니다. 이들이 예측하는 것은 에너지와 힘이지 전자 밀도 자체가 아닙니다. 전하 밀도는 더 근본적인 양이므로 좋은 밀도 모델은 여러 물성 계산에 한꺼번에 쓰일 수 있습니다.
한계도 분명합니다. 범용 모델은 비자성 물질로 제한돼 있어 실용적으로 중요한 계의 상당 부분이 빠집 니다. 저자들은 또 학습된 모델이 학습 데이터를 만들 때 쓴 유사 퍼텐셜, 에너지 차단값 등 설정에 묶여 있으므로 설정이 같은 작업 흐름에서만 결과를 옮겨 쓸 수 있다고 경고합니다. 저희는 논문 전문이 아니라 초록과 보조 자료만 읽을 수 있었으므로, 특정 물질군에서 정확도가 얼마나 나아지는지는 더 확인해야 합니다.