SCF 가속을 위한 솔버 정렬 초기화 학습 (SAIL) 기법 제안

화학물질 계산에서 초기 추측값 예측을 통해 자발적인 힘 상수 (SCF, Self-Consistent Field) 계산 비용을 줄이는 것은 중요한 과제입니다. 기존 머신러닝(ML) 기반 모델들은 분자 구조로부터 SCF의 초기 추측값을 예측하지만, 이들 모델은 학습 분포를 벗어난 더 큰 분자로 외삽(extrapolating)할 때 성능이 급격히 저하되어 오히려 수렴 속도를 늦추는 문제가 있었습니다.

본 연구에서 제시하는 '솔버 정렬 초기화 학습 (Solver-Aligned Initialization Learning, SAIL)'은 이러한 실패가 단순히 외삽 문제라기보다는 모델의 지도(supervision) 문제입니다. 즉, 기존 모델들이 최종 목표값(ground-state targets)에만 맞춰 훈련되어 실제 계산 과정에 필요한 초기 추측값을 생성하는 데는 적합하지 않았다는 것입니다.

SAIL은 이 문제를 해결하기 위해 SCF 솔버 자체를 거쳐 엔드투엔드로 미분(differentiating through the SCF solver end-to-end)합니다. 이를 통해 모델이 단순히 최종 목표값에 도달하는 것이 아니라, 실제 계산 과정의 제약 조건과 역학을 학습하게 됩니다.

또한, 본 논문에서는 일반적으로 사용되는 에너지 반복 횟수 (RIC, Relative Iteration Count)를 보정하여 숨겨진 포크 빌드 오버헤드(Fock-build overhead)까지 고려한 '유효 상대 반복 횟수 (Effective Relative Iteration Count, ERIC)'라는 새로운 지표를 도입했습니다.

실험 결과, QM40 데이터셋을 사용하여 학습 분포보다 최대 $4 imes$ 더 큰 분자를 포함하는 환경에서 SAIL의 효과가 입증되었습니다. PBE 이론 수준에서는 37%, SCAN 이론 수준에서는 33%, B3LYP 이론 수준에서는 27%까지 ERIC를 감소시켰습니다. 특히, B3LYP의 경우 기존 최고 성능 대비 10%였던 감소율을 넘어 27%로 개선하며 이전 기록을 크게 경신했습니다.

더 나아가, 학습 크기의 10배에 달하는 분자(QMugs)를 대상으로 하이브리드 이론 수준으로 테스트했을 때, SAIL은 벽 시간 (wall-time) 기준으로 1.25배의 속도 향상을 제공하며 ML 기반 SCF 가속 기술을 대형 약물 유사 분자(drug-like molecules)까지 확장할 수 있음을 보여주었습니다.