FAIRChem v2 UMA: 하나의 모델로 분자·촉매·재료를 넘나드는 범용 원자 시뮬레이션
원자 시뮬레이션 분야에는 오래된 트레이드오프가 존재해 왔다. 정확도를 높이면 계산 비용이 치솟고, 속도를 우선하면 현실과 동떨어진 결과를 감수해야 한다. 메타 FAIR가 최근 선보인 FAIRChem v2 UMA는 이 이분법 자체를 무력화하려는 시도다. 분자, 촉매, 재료라는 서로 다른 화학 도메인을 단일 모델로 커버하면서도 특화 모델에 버금가거나 그 이상의 정확도를 달성한다.
UMA란 무엇인가: 세 개의 도메인을 하나의 모델로
UMA는 Universal Models for Atoms의 약어로, 메타 FAIR가 개발한 범용 기계 학습 원자간 포텐셜(MLIP) 제품군이다1. 핵심 발상은 단순하다. 여러 화학 도메인의 데이터를 하나의 모델에 통합 학습시키면 도메인마다 개별 모델을 준비할 필요가 사라진다.
규모 면에서 UMA는 기존 MLIP와 궤를 달리한다. 분자, 재료, 촉매 도메인을 아우르는 5억 개 이상의 고유 3D 원자 구조 데이터가 훈련에 투입되었으며, 이는 현재까지 공개된 MLIP 중 최대 규모다1. UMA-medium 모델의 총 파라미터 수는 14억 개에 이르지만, 추론 시 구조 하나당 실제 활성화되는 파라미터는 약 5천만 개로 억제된다1. 이는 ‘선형 전문가 혼합(Mixture of Linear Experts)’ 아키텍처가 용량은 키우면서도 계산 속도 저하를 최소화하기 때문이다.
무엇이 달라졌는가: task_name 하나로 바뀌는 계산 세계
UMA의 실용적 가치는 하나의 task_name만 교체하면 완전히 다른 계산을 수행할 수 있다는 데 있다. FAIRChemCalculator는 omol(분자), oc20(촉매 표면), omat(무기 재료·벌크) 도메인에 각각 대응한다2.
분자 도메인(omol)에서는 스핀과 전하 정보를 info 딕셔너리로 전달하는 것만으로 단일항-삼중항 에너지 차이 같은 분자 물성을 계산할 수 있다2. 촉매 도메인(oc20)으로 전환하면 Cu(100) 표면에 CO가 흡착된 계의 구조 최적화와 흡착 에너지 산출이 가능하다2. 재료 도메인(omat)에서는 BCC 철의 셀 최적화는 물론, 벌크 재료 시뮬레이션에서 중요한 응력 텐서(stress tensor) 값까지 반환받을 수 있다2. 기존에는 이런 작업마다 별도의 모델과 파이프라인을 구축해야 했지만, UMA는 미세 조정 없이 단일 모델로 모든 도메인을 처리한다1.
설치 과정도 간결하다. pip install fairchem-core 명령 한 줄이면 코어 코드가 준비된다2. 모델 가중치는 Hugging Face에 gated 리포지토리 형태로 공개되어 있어, ‘공개 gated 리포지토리 읽기 권한’을 활성화한 토큰을 환경 변수에 설정하면 즉시 접근할 수 있다2.
실무자가 얻을 수 있는 것
UMA가 증명한 핵심 교훈은 “충분히 크고 다양한 데이터로 학습된 단일 모델이 도메인 특화 모델을 대체할 수 있다”는 점이다. 이는 연구자에게 실질적인 의미를 지닌다. 모델 선택과 튜닝에 소비하던 시간을 문제 정의와 해석에 재투자할 수 있게 된다.
FAIRChem v2 UMA는 ASE(Atomic Simulation Environment)와 자연스럽게 통합되므로, 기존 워크플로에 최소한의 코드 변경만으로 적용할 수 있다. 구조 최적화, 진동 분석, 분자 동역학을 하나의 일관된 도구로 수행할 수 있다는 점은 연구 생산성의 전환점이라 할 만하다.
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.