SCF 가속을 위한 솔버 정렬 초기화 학습 (SAIL) 기법 제안

요약

본 논문은 분자 구조 기반의 초기 추측값 예측 모델이 큰 분자로 외삽(extrapolating)할 때 수렴 속도가 저하되는 문제를 해결하는 '솔버 정렬 초기화 학습 (SAIL)' 기법을 제안합니다. SAIL은 SCF 솔버를 통해 엔드투엔드로 미분함으로써, 단순히 목표 값에 맞는 모델이 아닌 실제 계산 과정에 최적화된 초기 추측값을 생성합니다. QM40과 같은 대형 분자 데이터셋에서 PBE, SCAN, B3LYP 등 다양한 이론 수준(level of theory)에서 기존 최고 성능 대비 27~37%의 에너지 반복 횟수 (ERIC)를

핵심 포인트

• SAIL은 SCF 솔버 끝단까지 미분하는 방식을 채택하여, 초기 추측값이 실제 수렴 과정에 최적화되도록 합니다.
• QM40 데이터셋에서 PBE 이론 수준의 경우, SAIL을 적용하여 에너지 반복 횟수 (ERIC)를 기존 대비 37% 감소시켰습니다.
• SAIL은 학습 분포보다 10배 큰 분자(QMugs)에서도 하이브리드 이론 수준으로 1.25배의 벽 시간 가속도를 입증했습니다.