완전한 신경 전자 초기화(Complete Neural Electronic Initialization)를 이용한 재료 DFT 가속화

우리는 PAW (projector augmented wave) 형식론을 사용하는 재료의 평면파 밀도 범함수 이론(DFT, density functional theory) 가속화를 위한 최초의 완전한 머신러닝 방법을 제시합니다. 우리는 실용적인 종단 간(end-to-end) PAW DFT 가속화에 extit{완전 신경 전자 초기화기}(Complete Neural Electronic Initializer)가 충족해야 하는 7가지 기준을 공식화했습니다. 이 기준들을 기존 연구에 적용한 결과, 기존 방법들이 완전한 참조-자유(reference-free) 초기화를 제공하는 것을 막는 두 가지 누락된 구조 의존성 구성 요소, 즉 증강 점유율(augmentation occupancies)과 스핀 초기화(spin initialization)가 있음을 밝혀냈습니다. 제어된 제거 실험(Controlled ablations)을 통해 이러한 구성 요소들을 생략할 경우, 오직 부드러운 원자가 밀도만을 예측하는 모델을 통해 얻었던 가속 효과를 없애거나 역전시킬 수 있음이 입증되었습니다. 우리는 PAW 증강 점유율에 대한 최초의 일반적인 등변위(equivariant) 모델인 AugNet과, 예측된 자기 모멘트를 사용하여 전역 자기 상태를 제약함으로써 부드러운 스핀 차이 밀도와 스핀 차이 PAW 증강 점유율을 예측하는 재료용 최초의 일반 스핀 밀도 모델을 도입하여 이러한 누락된 요구 사항들을 충족시켰습니다. 이 구성 요소들은 기존 원자가 밀도 모델과 결합되어 7가지 모든 기준을 만족시키며, 수렴된 목표 계산으로부터 어떠한 전자 양도 필요 없이 재료 DFT를 위한 완전한 참조-자유 전자 초기화기를 형성합니다. 우리의 방법은 미지의 구조에 대해 종단 간 DFT 벽 시간(wall time)을 최대 약 25%까지 줄이면서도 수렴된 에너지를 유지합니다.