맨체스터대, 물리 기반 머신러닝으로 2D 양자소재 탐색 가속

플랫밴드 소재가 주목받는 이유

2차원 소재에서 전자의 운동에너지가 극도로 낮아지는 전자 상태를 플랫밴드라 부른다. 이 조건에서는 전자 간 상호작용이 지배적으로 작용하게 되어 강자성, 비관습적 초전도, 위상 전자 거동 같은 현상들이 나타날 수 있다. 이 때문에 플랫밴드 소재는 강상관 양자계 연구의 핵심 대상으로 꼽힌다.

기존 방법의 한계

지금까지 플랫밴드 소재를 탐색할 때는 밀도범함수이론(DFT) 계산이 주로 활용됐다. DFT는 소재의 전자 구조를 정밀하게 드러낼 수 있으나, 수천 개에 달하는 후보 소재 전체에 적용하면 계산 비용이 급격히 증가한다는 단점이 있다. 대규모 탐색을 위한 실용적인 방법론이 부재한 상황이었다.

물리 정보 기반 점수화 + 구조 학습

맨체스터대 연구팀은 두 가지 플랫밴드 지표를 결합한 물리 기반 점수 체계를 먼저 설계했다. 낮은 밴드 분산(band dispersion)과 상태밀도(density of states)의 뚜렷한 피크가 그 두 지표다. 이후 알려진 2D 소재들로 학습시킨 모델이 원자 구조만으로도 해당 점수를 직접 예측할 수 있도록 훈련됐다. 즉, DFT 계산 없이 원자 배열 정보만으로 후보를 1차 선별하는 구조다.

이 프레임워크를 1만 개 이상의 미분류 2D 소재에 적용했을 때, 카고메(kagome) 유사 구조 모티프를 가진 고점수 후보들에 대해 후속 양자 계산을 수행한 결과 98.2%의 정확도로 플랫밴드 거동이 확인됐다. 또한 강상관 양자 위상과 연관되는 취성 위상 플랫밴드(fragile topological flat band)를 가질 것으로 예측되는 소재들도 새롭게 발굴됐다.

의미와 한계

이 접근법의 의의는 단순한 데이터 분류를 넘어, 어떤 구조적 특성이 소재를 양자 현상의 유력 후보로 만드는지를 해석 가능한 방식으로 알려준다는 점이다. 계산 전에 물리적 직관과 구조 학습을 결합해 탐색을 처음부터 방향성 있게 이끌 수 있다.

다만 현 단계는 순전히 계산 기반이며, 유력 후보들의 실제 특성을 검증하려면 실험 연구가 뒤따라야 한다. 연구팀은 이 전략이 플랫밴드 소재에만 국한되지 않으며, 목표 물성을 물리 기반 점수로 표현할 수 있는 다른 양자소재 탐색에도 응용 가능하다고 밝혔다.