기계 학습 힘장(MLFFs:머신러닝 Force Fields)은 ‘기계 학습 원자간 포텐셜’이라고도 불리며, 다양한 화학 시스템에 대해 비용 효율적인 원자 수준 시뮬레이션을 실현하기 위한 중요한 도구로 등장하고 있으며, 종종 밀도 함수 이론(DFT)에 필적하는 정확도를 훨씬 낮은 계산 비용으로 달성하고 있습니다.
최근 메시지 패싱 네트워크의 발전으로 인해, 기존의 MLFF가 안고 있던 ‘처리 가능한 원소 종류에 제한이 있다’는 과제가 극복되었습니다. 또한, 전하 평형법을 이용한 원자 전하 및 정전기적 상호작용의 도입을 통해 여러 전하 상태, 이온계, 전자 응답 특성을 정밀하게 재현할 수 있게 되었으며, 장거리 상호작용을 명시적으로 고려함으로써 더욱 높은 정확도를 실현하고 있습니다.

이번 웨비나에서는 슈뢰딩거가 개발한 최첨단 MLFF 아키텍처인 ‘MPNICE(Message Passing Network with Iterative Charge Equilibration)’를 소개합니다. MPNICE는 정확한 전하 표현을 위해 명시적 정전기 모델을 통합하고 있습니다. 또한 주기율표 전체(89개 원소)를 아우르는 물질을 대상으로 학습된 사전 학습 모델군도 제공합니다.
MPNICE는 높은 처리량을 중시하며, 기존 기법으로는 실현하기 어려웠던 장시간·대규모 원자 수준 시뮬레이션을 높은 정밀도를 유지하면서 가능하게 합니다.
웨비나에서는 재료 설계에서 더욱 대규모이자 복잡한 시뮬레이션을 가능하게 하는 MLFF 탑재 툴군의 개요를 소개하고, 산업 적용 사례와 함께 설명해 드립니다.

하이라이트:

• MPNICE 개요: 원자의 부분 전하와 장거리 상호작용을 반영하면서도, 동등한 정확도를 가진 모델보다 한 자릿수 더 빠른 계산을 실현하는 메시지 패싱형 기계 학습 힘장(MLFF) 아키텍처
• MPNICE의 최신 응용 사례 소개: 산업계의 요구에 부응하기 위해 유기 재료, 무기 재료, 그리고 유기·무기 하이브리드 재료에 대한 범용 모델로 활용된 사례를 소개합니다.