Computational Materials Science School: MD 2023 

CMSS MD 2023 

“Basic/intermediate course on MD calculations and analysis”

June 28^th -June 30^th, 2023, KAIST

대한금속·재료학회의 전산재료과학분과에서는 분자동역학 (Molecular Dynamics, MD)과 머신러닝 포텐셜을 활용하여 연구를 수행하는 학생 및 연구자를 위하여 초/중급과정 단기강좌 프로그램을 운영하고자 합니다.

교육 수강을 원하시는 분께서는 아래 첨부한 교육 신청 링크를 통해 지원해 주시면, 추후 등록 가능한 사이트를 안내해 드릴 예정입니다. 원활한 대면강의 진행을 위해 수강생을 50명으로 제한하고, 각 기관별로 교육의 기회를 드리기 위해 소속에 대한 설문을 받고자 하니 널리 양해 부탁드립니다.

 ◎ 주최                          :   대한금속·재료학회, 전산재료과학분과
 ◎ 기간                          :   2023. 6. 28 (수)  ~  2023. 6. 30 (금)
 ◎ 장소                          :   KAIST (창의학습관, E11동 307호, 3층)
 ◎ 등록신청                    :   2023. 5. 27 까지 접수, 접수 대상자 개별통보 (마감, 6/1 14:00 이메일 개별통보 완료)
 ◎ 등록링크                    :   https://forms.gle/qUDiZ8R9jvjbF7YFA
 ◎ 사전 등록 (필수)          :   2023. 6. 7 까지
 ◎ 참가비                       :   350,000원 (학생), 600,000원 (일반)
                                        (강의+실습 16시간, Banquet, 커피, 점심 도시락 제공)
 ◎ 사용 소프트웨어        :   Lammps, Python, Jupyter notebook
 ◎ 공식언어                   :   한국어

Schedule:

   
June 28th (Wed)
10:00 ~ 10:50: MD 및 MC의 기본 개념 및 응용 - 신혜영 교수 (충남대)
11:00 ~ 11:50: MD 계산환경 구축 - 임형규 교수 (강원대)
12:00 ~ 13:00: 점심
13:00 ~ 15:10: MD 활용 다양한 특성 예측 실습 (Diffusivity, RDF 등) - 신혜영, 임형규 교수
15:30 ~ 17:30: 2. MC 활용 다양한 특성 예측 실습 (Alloy NP 시스템) - 신정호 박사 (KRICT)
   
June 29th (Thu)
09:30 ~ 10:20: Classic force-field (FF) 소개 – 김용주 교수 (국민대)
10:30 ~ 14:30*: FF/Polymer 시스템 실습 – 김용주 교수 (국민대)
14:50 ~ 15:40: DFT기반 Classical FF 소개 - 서범준 교수 (서울과기대)
15:50 ~ 16:40: Machine Learning Potential (MLP) 소개 – 강준희 교수 (부산대)
17:30 ~ 20:00: Banquet
 *12:00 ~ 13:00: 점심

    
June 30th (Fri)
10:00 ~ 10:50: VASP 기반 MLP-MD 사용법 소개 – 강영호 교수 (인천대)
11:00 ~ 11:50: MLP-MD 연구 소개 – 유지웅 박사 (KIAS)
12:00 ~ 13:00: 점심
13:00 ~ 14:50: Atomistic Machine-learning Package 기반 MLP-MD 실습 – 강준희 교수 (부산대)

*단기강좌 조직위원회

위원장:  서동화 교수 (KAIST), 신혜영 교수 (충남대학교)

위원: 강영호 (인천대), 강준희 (부산대), 김용주 (국민대), 서범준 (서울과기대), 신정호 (KRICT), 유지웅 (KIAS), 임형규 (강원대)

*문의
• 서동화 교수 (KAIST 신소재공학과): dseo@kaist.ac.kr

• 신혜영 교수 (충남대학교 에너지 과학기술 대학원): shinhy@cnu.ac.kr

*주최: 대한금속·재료학회 전산재료과학분과

위원장: 홍기하 교수

부위원장: 권용우 교수

총무간사: 이동화 교수, 장근옥 교수

강의 내용

01. MD 및 MC의 기본 개념 및 응용

• 신혜영 교수 (충남대 에너지과학기술대학원)

분자 동역학(Molecular dynamics, MD)은 시스템 내 입자 간 상호작용을 고려하여 운동 방정식을 풀어 시간에 따른 분자 운동을 계산하는 방법이며, 몬테카를로 시뮬레이션(Monte Carlo simulation, MC)은 분자의 무작위적인 상태 추출과 확률 분포를 이용하여 시뮬레이션을 수행하는 방법이다. 두 방법  모두 시스템을 모사하고 예측하기 위한 계산 방법으로 사용되지만, 각각의 방법은 시스템의 복잡도와 목적에 따라 달리 활용되고 있다. 본 강의에서는 MD와 MC의 기본 개념에 대해 학습하고, 각 방법의 응용 분야에 대해 간략히 소개하고자 한다.

02. MD 계산환경 구축 및 액체 시스템 물성 도출 실습

• 임형규 교수 (강원대 화공생물공학부)

본 과정에서는 WSL (Windows Subsystem Linux) 기반의 우분투 환경에서 LAMMPS, VMD, Moltemplate, Packmol 등 분자 동역학 시뮬레이션을 위한 다양한 오픈 소스 소프트웨어를 설치하고 설정하는 방법을 학습한다. 각 소프트웨어 패키지의 설치 및 구성 방법을 학습하고 기본적인 사용 예제를 통해 분자 동역학 시뮬레이션 수행을 위해 필요한 실제적인 시뮬레이션 환경 구축 방법을 터득한다. 

03. MD 활용 다양한 특성 예측 실습 (Diffusivity, RDF 등)

• 신혜영 교수, 임형규 교수

LAMMPS를 기반으로 유기 및 물 분자로 구성된 순수 또는 혼합 액체 시스템에 대한 분자 동역학 시뮬레이션 구조를 생성하고 시각화하는 방법을 학습한다. 액체 시스템의 특성 분석을 위한 일반적인 분자 동역학 시뮬레이션 과정의 의미와 설정 방법 및 주의할 점에 대해 상세하게 학습한다. 더불어, 시뮬레이션 결과로부터 증발열, 확산계수, RDF(radial distribution function) 등 다양한 열역학적 특성을 도출하는 과정을 체계적으로 실습한다. 이를 통해 액체 시스템의 분자 동역학 시뮬레이션 결과를 해석하는 능력을 향상시키고, 물리화학적 성질에 대한 이해를 도모할 수 있다.

04. MC 활용 다양한 특성 예측 실습 (Alloy NP 시스템)

• 신정호 박사 (KRICT)

2종 이상의 합금원소로 이루어진 나노입자의 구조는 그 성분 및 상대적인 위치에 대하여 무한대에 가까운 조합을 고려하여야 하므로 이를 전체적으로 탐색하는 것은 현실적으로 불가능하다. 임의의 결정 구조를 대상으로 규칙적으로 반복되는 배열로 제한할 경우 대체로 가능한 숫자의 조합 안에서 탐색이 가능하다. 하지만 실험적으로 나타날 수 있는 vacancy 또는 도핑된 형태의 defect를 지닌 구조에 대한 최적화는 막대한 계산량을 필요로 하기 때문에 이를 전반적으로 해결할 수 있는 체계적인 접근법이 필요하다. Cluster expansion의 방법은 합금 형태의 다양성을 고려하기 위하여 널리 활용되어져 온 방법이며, 이를 통하여 얻은 에너지 모델을 Monte Carlo(MC) 시뮬레이션에 적용한다면 나노입자의 구조와 특성에 대한 전역최적화를 수행할 수 있다. 본 실습에서는 볼츠만 분포 기반의 Metropolis 샘플링을 도입한 MC 시뮬레이션을 활용하여 에너지 모델을 반복적으로 업데이트하는 방식에 의하여 합금 나노입자의 구조와 특성을 예측하고자 한다.

05, 06. Classic force-field (FF) 소개 및 FF/Polymer 시스템 실습

• 김용주 교수 (국민대 신소재공학과)

본 강의에서는 고분자 혹은 단분자 시뮬레이션에 유용한 전원자 힘장 (all-atom force field) 기반으로 뉴턴 법칙에 따라 진행되는 고전 분자동역학 (classical molecular dynamics) 을 수행할때 필요한 기초적인 지식을 습득하며, 이때 필요한 다양한 기초 셋업 및 노하우에 대해 소개한다. 또한 고분자 용액 (polymer solution : polymer + solvent) 시스템의 간단한 시뮬레이션 실습을 통해 초기조건을 잡는 방법 및 thermostat 하에서 어떤 형태로 시뮬레이션이 진행하는지에 대한 간단한 실습을 진행할 예정이다.

07. DFT 기반의 Classical Force-Field 소개

• 서범준 교수 (서울과기대 화공생명공학과)

힘장 (force-field)은 분자동역학 시뮬레이션 내에서 포텐셜 에너지를 근사하는 역할을 하며 이를 통해 계의 입자 간 상호작용을 계산하는데 필수적인 요소이다. 이러한 힘장은 nonreactive, fixed-charged, harmonic 형태의 가장 단순한 고전 힘장 (classical force-field)부터 인공신경망 등 머신러닝 힘장까지 용도에 따라 다양한 복잡도와 정확도를 지닐 수 있다. 본 강의에서는 밀도범함수 이론 (DFT) 시뮬레이션의 계산 결과로부터 고전 힘장의 파라미터를 생성하는 TAFFI 프레임워크를 소개하고, 이로부터 임의의 새로운 분자에 대해 오로지 계산을 통해 고전 힘장의 모든 파라미터를 얻는 원리를 습득하고자 한다. 또한 확보한 파라미터를 LAMMPS에서 이용할 수 있는 스크립트 사용법과 기존 고전 힘장 대비 벤치마크 결과를 공유하고자 한다.

08, 11. Machine Learning Force Field 소개

-         강준희 교수 (부산대 나노에너지공학과)

인공지능의 발전과 함께 재료 계산 분야에서도 이를 활용한 연구들이 여러 방향으로 전개되고 있다. 그 중 소재의 구조정보를 국소적으로 분석하고 데이터를 수집하여 potential energy surface를 만드는 방법은 기존 양자 계산의 느린 속도와 작은 스케일의 한계를 극복하는 좋은 방법 중에 하나이다. 본 강의에서는 머신러닝 포텐셜의 원리와 응용 연구들을 소개하고 실습과정을 통해서 high-dimensional neural network potential 방법으로 구조의 국소 특성을 분석되는 법과 포텐셜이 만들어지는 과정을 소개하고자 한다. 머신러닝 포텐셜 만들기는 Amp: Atomistic Machine-learning package를 이용해서 진행하고자 한다.

09. VASP - Machine Learning Force Field 소개

-         강영호 교수 (인천대 신소재공학과)

분자 동역학(Molecular dynamics; MD)은 분자의 동적 특성을 결정하는 가장 중요한 방법으로, 다양한 MD 방법 중 가장 정확한 것은 ab initio 계산(예: DFT)으로부터 원자간 상호작용을 기술하는 ab initio MD(AIMD)이다. 그러나, AIMD는 계산 양이 많아 시뮬레이션 스케일과 시뮬레이션 시간이 굉장히 제한적이라는 한계가 있다. 계산 속도를 크게 높이는 한 가지 방법은 시스템의 포텐셜 에너지를 다수의 파라미터로 기술하는 포스필드(force field)를 사용하는 것이다. 하지만, 일반적으로 정확한 포스필드를 만드는 것은 상당한 전문 지식과 노하우가 필요한 매우 시간이 많이 걸리는 작업이다. 기계학습은 데이터간 상관관계를 기술할 수 있는 파라미터들을 인간의 개입을 최소화하여 얻어낼 수 있는 방법으로 이를 활용하여 DFT데이터를 학습하면 DFT정확도를 가진 포스필드 제작이 훨씬 수월해진다. 현재 기계학습 포스필드 (Machine learning force field; MLFF)를 만드는 다양한 기법이 활발하게 개발되고 있고, 최근 전세계적으로 가장 널리 활용되는 상업용 DFT계산 코드인 VASP에 이 방법이 적용되었다. 본 튜토리얼에서는 VASP에서 제공하는 기계학습 포스필드의 이론과 특징에 대해 간략히 이야기하고, 계산 input과 output에 대해 소개하고자 한다.

10. Machine Learning Force Field (MLFF) 를 통한 재료와 물 모델링 연구동향

-         유지웅 박사 (고등과학원(KIAS))