CC와 MōLe: 분자 궤도 학습으로 신경파동함수 구현

본 연구는 고정밀 전자구조 계산인 Coupled‑Cluster (CC) 이론의 핵심 객체인 T‑진폭(t₁, t₂)을 직접 예측하는 머신러닝 모델 MōLe(Molecular Orbital Learning)를 제안한다. 전통적인 CCSD(T)는 O(N⁷) 혹은 O(N⁶) 복잡도로 인해 소분자에만 적용 가능했지만, MōLe는 Hartree‑Fock(HF) 수준에서 얻어지는 분자 궤도(MO) 계수를 입력으로 사용해, CCSD 수준의 진폭을 거의 비용 없이 제공한다. 논문은 먼저 HF와 MO의 수학적 정의를 정리하고, MO가 회전 변환에 대해 equivariant(즉, 회전시 MO 계수는 Wigner‑D 행렬에 따라 변환)하고, T‑진폭은 회전에 대해 invariant(불변)함을 강조한다. 또한, MO 부호 반전 시 진폭이 부호를 반전한다는 sign equivariance를 제시한다. 이러한 대칭성을 네트워크 설계에 반영하기 위해, 저자들은 equivariant GNN 기반의 임베딩 레이어와 MO‑Attention 메커니즘을 포함한 transformer 블록을 설계하였다. 구체적인 아키텍처는 다음과 같다. ① HF 계산 후 MO를 로컬라이즈하고, 원자별 basis 함수 수 차이를 보정하기 위해 MO 계수를 패딩한다. ② 패딩된 계수를 equivariant 선형 레이어를 통해 고차원 hidden space(K)로 임베딩한다. ③ 동일한 가중치를 공유하는 N개의 MO‑GNN이 병렬로 동작하며, 각 MO는 “노드”로서 그래프 형태로 표현된다. ④ MO‑Attention 블록은 다중 헤드 어텐션을 사용해 서로 다른 MO 간의 상관을 캡처하고, softmax 대신 정규화된 L2 노름을 사용해 부호 대칭을 유지한다. ⑤ “Odd‑MACE” 레이어는 MACE‑형식의 로컬 메시지 패싱을 수행해 원자 수준의 회전 equivariance를 보존한다. ⑥ 마지막 read‑out 레이어는 외적 형태의 연산을 통해 T₁과 T₂ 텐서를 출력한다. 학습 데이터는 기존 QM7 데이터셋을 CCSD/def2‑SVP 수준으로 재계산한 것과, 더 큰 분자(예: QM9, 약 30~50 원자)와 비평형(구조 최적화 중간 단계) 데이터를 포함한다. 모델은 작은 평형 구조(≈1 k 샘플)만으로도 높은 정확도를 달성했으며, OOD 테스트에서 에너지 오차 평균 0.1 mHa, 전자밀도 RMSE는 MP2 대비 30 % 개선을 보였다. 또한, 예측된 T‑진폭을 CCSD 초기값으로 사용하면 평균 5~7 회의 SCF 반복이 절감되어 실제 CCSD 계산 시간도 크게 단축된다. 비교 실험에서는 Δ‑MP2 학습(즉, MP2 진폭을 베이스라인으로 하고 차이를 학습)과 전통적인 MLIP(힘·에너지 예측)과의 데이터 효율성을 평가했다. MōLe는 동일한 학습 샘플 수에서 MLIP보다 높은 에너지 정확도와 더 좋은 일반화(큰 분자·비평형) 성능을 보였다. 결론적으로, MōLe는 (1) 회전·부호 대칭을 엄격히 보존하는 설계, (2) MO 기반 입력을 통한 물리적 인덕티브 바이어스, (3) 데이터 효율적인 학습을 통한 OOD 일반화 능력, (4) 실제 CC 계산의 수렴 가속이라는 네 가지 핵심 장점을 제공한다. 향후 연구에서는 삼중·사중 진폭까지 확장하거나, 다중 전자 상태(예: 열린 껍질, 전이 상태)에도 적용함으로써, CCSD(T) 수준의 정확도를 비용 효율적으로 제공하는 범용 파동함수 기반 ML 프레임워크로 발전시킬 가능성이 있다.