Enhancing CGCNN for Crystalline Materials via Approximate Equivariant Frame Averaging

딥러닝 기반 재료 데이터 계산 모델링은 ab initio 방법에 비해 높은 계산 효율성과 경쟁력 있는 정확도로 주목받고 있다. CGCNN은 간결한 아키텍처를 기반으로 한 그래프 신경망 모델로, 다양한 확장이 가능하다는 장점이 있으나, 재료 구조 정보 중 원자 간 거리만을 활용하기 때문에 3차원 기하학적 구조를 충분히 반영하지 못해 예측 성능에 한계가 있다. 본 연구에서는 CGCNN을 확장하여 원자의 좌표와 상대 좌표를 각각 노드 및 엣지 임베딩에 포함한 FACGCNN을 제안한다. 또한 좌표계 변화에 따른 대칭성 문제를 해결하기 위해 근사적 등변 프레임 평균화 기법을 적용하였다. 무기물 결정 구조로 구성된 Carolina 데이터셋을 활용한 실험에서 제안 방법이 기존 CGCNN보다 우수한 예측 성능을 보였다.