마이크로소프트, 신소재 AI MatterSim-MT 멀티태스크 모델 공개

마이크로소프트 리서치가 범용 머신러닝 원자간 포텐셜 MatterSim의 업데이트를 공개했다. 핵심은 세 갈래다. MatterSim-v1으로 예측한 신소재를 실험 합성으로 검증했고, 추론 속도를 3~5배 가속하고 LAMMPS에 통합했으며, 멀티태스크 파운데이션 모델 MatterSim-MT를 새로 공개했다.

실험 검증 부분에서는 MatterSim-v1으로 24만 개 이상의 후보 물질을 고열전도체 후보로 스크리닝해 정사방 인화탄탈럼(tetragonal TaP)을 식별했다. 텍사스대학교 댈러스 캠퍼스(UT Dallas)에서 실제로 합성하고 일리노이대학교 어바나-섐페인(University of Illinois Urbana-Champaign)에서 측정한 열전도도는 최고 샘플 기준 152 W/m/K로 실리콘에 근접한 수준이다. TaP은 이전에 합성된 사례는 있었으나 열전도체로 검토된 적은 없었다.

스크리닝은 UT Dallas, 일리노이대학교 어바나-섐페인, 캘리포니아대학교 데이비스(UC Davis)와의 공동 작업이다. UC Davis의 다비데 도나디오 교수는 "열전도도처럼 민감한 물성에 대해 MatterSim이 정확성과 계산 효율을 모두 잡았고, 수십만 결정 규모의 스크리닝은 전통적 방법으로는 불가능했던 일"이라고 평가했다. UT Dallas의 빙 류 교수는 "MatterSim이 지금까지 가장 큰 계산 열전도도 데이터베이스를 만들어 실용 조건을 부과한 뒤에도 더 넓은 재료 공간을 탐색할 수 있게 했다"고 말했다.

성능 측면에서는 더 빠른 그래프 구성, ahead-of-time 컴파일, 원자 표현 변환 감소를 결합해 MatterSim-v1.0.0-5M은 3배, MatterSim-v1.0.0-1M은 5배 빨라졌다. 또한 분자동역학 시뮬레이션 소프트웨어 LAMMPS에 통합해, 사용자가 기존 워크플로 안에서 멀티 GPU로 모델 추론을 손쉽게 확장할 수 있게 했다.

신규 모델인 MatterSim-MT는 멀티태스크(MT) 파운데이션 모델로, 에너지·힘·응력에 더해 여러 주요 재료 물성을 네이티브로 예측한다. 사전 학습 데이터는 3,500만 개가 넘는 제1원리 라벨링 구조이며, 89개 원소와 최대 5,000 K 온도, 1,000 GPa 압력 범위를 포함한다.

MatterSim-MT는 Bader 전하, 자기 모멘트, Born 유효 전하, 유전 행렬 등 다양한 물성으로 추가 파인튜닝됐다. 마이크로소프트는 단일 포텐셜 에너지 표면(PES)만으로는 다룰 수 없는 복잡한 멀티프로퍼티 현상을 시뮬레이션할 수 있다는 점이 멀티태스크 구조의 강점이라고 설명했다.

사례 연구는 세 가지가 제시됐다. 진동 분광학(vibrational spectroscopy), 강유전 스위칭(ferroelectric switching), 전기화학 산화환원(electrochemical redox)이다. 진동 분광학에서는 Born 유효 전하와 유전 물성 예측을 결합해 극성 결정의 포논 스펙트럼을 계산했고, 고전력 전자 소재인 3c-SiC를 극한 압력 조건에서 시뮬레이션해 광학 포논 모드의 LO–TO 분리를 재현했다.

마이크로소프트는 풀 매뉴스크립트에서 MatterSim-MT가 데이터·파라미터 규모에 따라 성능이 잘 스케일하고, 더 높은 이론 수준에 효율적으로 파인튜닝할 수 있으며, 액티브 러닝을 통해 새로운 시스템으로 체계적으로 확장된다고 보고했다고 밝혔다.

범용 머신러닝 원자간 포텐셜은 전통적인 제1원리 시뮬레이션 대비 수십~수백 배 빠르게 안정성과 물성 예측을 제공한다. 마이크로소프트 리서치는 이번 업데이트가 나노전자공학, 반도체, 에너지 저장 같은 분야의 신소재 개발 사이클을 단축하는 데 기여할 것으로 기대한다고 덧붙였다.