본문 바로가기

전체 글80

기계학습 포텐셜(Machine Learning Potential, MLP)의 대표 알고리즘, Gaussian Approximation Potential(GAP), Neural Network Potential(NNP)의 공통점 소개 정확하지만 느린 제일원리 계산, 그리고 빠르지만 부정확한 Classical Force Field, 두 방법론은 양쪽 모두 재료 시뮬레이션에서 다양한 연구에 사용되었지만 각각의 한계 때문에 우리는 이 두 방법론을 실제 제품 스케일에서 사용할 수는 없었다. 따라서 재료 시뮬레이션을 연구하는 연구자들은 각자가 좀 더 중요하게 여기는 것이 어떤 요소인지를 기준으로 제일원리 계산과 Classical Force Field 중 하나를 선택해야 했다. 예를 들어, 정확도가 중시되는 연구에서는 전체 제품 중 특정 부분만을 고려하여 시뮬레이션할 시스템을 구성한 다음 제일원리 계산을 사용하고, 많은 시뮬레이션이 필요하거나, 제품 전체를 고려해야 하는 경우, 혹은 시뮬레이션할 시스템을 작게 조정하기 어려운 경우에는 Class.. 2022. 6. 19.
기계학습을 이용한 Force Field(Machine Learning Force Field, MLFF) 소개 2010년대 중반쯤부터, GPU의 성능 향상 및 여러 테크닉의 등장으로 인해 기계학습(Machine Learning)의 성능이 비약적으로 향상되었다. 이미지 인식, 자연어 처리 등의 챌린지에서 기존의 성과 대비 수 배, 혹은 수십 배의 성능을 보이는 알고리즘들이 등장하면서, 기계학습(그중에서도 특히 인공신경망, Neural network)은 컴퓨터 과학 분야뿐 아니라 다른 과학 분야에서도 관심을 갖는 유용한 도구가 되었다. 재료공학의 경우도 예외가 아닌데, 많은 연구자가 새로운 재료 설계 및 특성 예측, 새로운 나노 구조 디자인 등의 다양한 분야에 기계학습을 활용하고 있다. 이러한 연구들 역시 최근 주목받고 있는 흥미로운 주제들이지만, 이들에 대해서는 좀 더 이후의 포스팅에서 살펴보기로 하고, 본 포스팅.. 2022. 6. 19.
분자동역학의 응용 분야 및 한계 저번 포스팅에서는 Classical Force Field를 이용한 분자동역학에 대해 알아보았다. Classical Force Field는 재료를 구성하고 있는 각 원자에 대해, 그 원자와 그 주변에 있는 원자들의 상호작용을 통해 재료의 에너지를 계산한다. 그리고 이 에너지를 통해 재료에 걸리는 힘과 가속도를 계산하여 시간 경과에 따른 재료의 움직임을 구하게 된다. 그렇다면 이러한 시뮬레이션은 어떻게 응용할 수 있을까? 첫 번째 응용 방법은 실제로 관측에 시간이 걸리는 특성이나 현상을 시뮬레이션하는 것이다. 예를 들어 재료에 생기는 균열(Crack)이 어떤 과정을 거쳐 커지는지, 혹은 재료가 액체에서 고체로 변하는 과정에서 재료 내부의 Neucli가 어떻게 커지는지, 재료의 상변화 과정은 어떻게 일어나는지.. 2022. 6. 18.
분자동역학 소개 제일원리 계산은 유용한 도구이고 실제로 많은 분야에 사용되고 있기는 하지만, 계산할 수 있는 재료의 크기 및 시뮬레이션 시간이 제한적이라는 한계가 있다. 이는 제일원리 계산량이 재료에 포함된 전자 수의 세제곱에 비례하여 증가하기 때문이다. 때문에, 제일원리 계산을 통해서는 실제 디바이스 크기의 시뮬레이션이나 장시간의 시뮬레이션은 불가능하다. 이를 해결하기 위한 대안이 바로 분자동역학(Molecular dynamics)이다. 사실 엄밀히 말하면, 제일원리 계산과 분자동역학은 같은 범주에 들어가는 방법은 아니다. 즉, 제일원리 계산을 쓰거나 분자동역학 계산을 쓰거나 선택해야 하는 것이 아니라는 의미이다. 실제로, 제일원리 계산을 이용하여 분자동역학 계산을 수행하기도 한다. 제일원리 계산을 통해 일정 시간의 .. 2022. 6. 17.

티스토리툴바