Executive Summary

주요 수치

네 숫자는 각각 오류의 규모, 두 모델의 거리, 데이터로 메워지지 않는 부분, 이 설계 비트가 얼마나 퍼져 있는지를 가리킵니다.

출처: Polat 외, arXiv:2608.18714 (2026-08-19)

결정의 거시 물성은 그 결정이 가진 대칭 연산을 모두 견뎌야 합니다. 19세기부터 내려온 노이만 원리입니다. 압전 텐서는 좌표를 원점 기준으로 뒤집으면 부호가 바뀌는 종류의 양이고, 중심대칭 결정은 그 뒤집기 자체를 자기 대칭 연산으로 가지고 있습니다. 그래서 압전 텐서는 뒤집어도 그대로여야 하고 동시에 부호가 반대여야 합니다. 두 조건을 함께 만족하는 값은 0뿐입니다. 실험으로 확인한 경향이 아니라 대수적으로 닫힌 결론입니다.

이 성질이 검증에 쓸모 있는 이유는 정답을 계산하지 않아도 알 수 있기 때문입니다. 230개 공간군 중 92개가 중심대칭이니, 그 결정들을 모아 두면 라벨도 참조 계산도 없이 오답을 판정할 수 있는 모집단이 만들어집니다. 여기서 0이 아닌 값이 나오면 그 자체로 확정된 오류입니다.

머신러닝 쪽에서 대칭성을 논할 때 주로 다루던 것은 회전이었습니다. 분자를 돌려 놓아도 예측이 같이 돌아야 한다는 요구인데, 이 요구를 어기면 결과가 조금 틀립니다. 근사의 문제입니다. 반전 대칭이 거는 요구는 급이 다릅니다. 여기서는 허용되는 답이 하나뿐이고, 그 답을 못 내는 모델은 조금 틀리는 게 아니라 존재할 수 없는 물성을 보고합니다.

1.1패리티 갭이 위험 구간을 미리 알려 준다

논문의 이론적 기여는 어떤 물성과 어떤 결정이 이 위험에 노출되는지를 군론만으로 계산하는 지표입니다. 저자들은 이것을 패리티 갭이라고 부릅니다. 회전만 따졌을 때 허용되는 성분의 개수에서, 반전까지 따졌을 때 허용되는 개수를 뺀 값입니다. 이 값이 0이면 회전 대칭만으로 이미 0이 강제되므로 패리티 라벨이 없어도 안전하고, 0보다 크면 그 성분들을 0으로 눌러 줄 수 있는 것은 패리티뿐입니다.

계산 결과는 명료합니다. 유전율처럼 짝수 랭크인 물성은 갭이 언제나 0이라 애초에 이 문제에서 면제됩니다. 탄성 텐서도 마찬가지입니다. 반면 3랭크인 압전 텐서에서는 중심대칭 11개 결정족 가운데 입방정계 m3̄m 하나만 갭이 0이고 나머지 열 개는 모두 0보다 큽니다. 대칭성이 가장 낮은 삼사정계 1̄에서는 갭이 18까지 올라가, 압전 텐서의 독립 성분 전체가 패리티에만 의지하는 상태가 됩니다. 논문이 평가에 쓴 결정 2,000개 중 91.7%가 갭이 0보다 큰 구간에 놓여 있었고, 안전한 m3̄m은 8.3%였습니다.

실험 설계는 단순합니다. NequIP, Allegro, MACE를 각각 두 벌씩 만들되 아키텍처와 하이퍼파라미터, 데이터와 분할, 난수 시드까지 전부 공유하게 하고, 특징에 붙는 패리티 라벨만 바꿨습니다. 한쪽은 구면조화 함수의 차수에 딸린 자연스러운 패리티를 그대로 붙였고, 다른 쪽은 모든 차수를 짝수라고 선언했습니다. 뒤쪽도 회전에 대해서는 여전히 정확히 등변이고, 잃은 것은 반전 정보뿐입니다. 여기에 이미 배포된 회전 전용 모델의 대표로 EquiformerV2를 수정 없이 그대로 넣어, 모델 7벌에 목표 4종과 시드 3개를 곱한 84개 훈련을 돌렸습니다.

평가 모집단은 Materials Project에서 가져와 spglib로 다시 확인한 중심대칭 절연체 2,000개입니다. 결과는 임계값 0.01 C/m²를 기준으로 갈립니다. 라벨을 단 쪽에서는 3개 모델과 결정 2,000개, 시드 3개를 곱한 1만 8,000건 가운데 임계값을 넘은 사례가 하나도 없었습니다. 가장 큰 단일 예측조차 임계값보다 7.6배 아래였고, 중앙값은 부동소수점 연산의 바닥에 붙어 있었습니다. 라벨을 뗀 쪽은 같은 결정들에서 90~96%가 임계값을 넘었습니다. NequIP 쌍의 두 중앙값 비율은 200만 배였습니다.

아래 도식은 그 거리를 로그 눈금 위에 옮긴 것입니다. 왼쪽 띠는 바닥에 눌려 있고, 오른쪽 띠는 임계값 위에 올라앉아 있습니다. 임계값을 10^-4에서 1 C/m²까지 네 자릿수에 걸쳐 옮겨 봐도 두 무리 사이에 끼어드는 모델은 없었습니다.

표현력이 모자라서 생긴 격차라는 설명은 성립하지 않습니다. 모든 차수를 짝수로 선언하면 텐서곱 경로가 오히려 늘어나기 때문에, 라벨을 뗀 쪽이 상대보다 파라미터를 0.2~39.8% 더 들고 있었습니다. 용량은 그쪽 편이었는데도 결과는 반대로 갈렸습니다.

측정이 조건을 잘 골라서 나온 결과도 아닙니다. 평가 결정은 공간군에 정확히 맞춰 다듬은 이상화 좌표와 DFT로 완화한 원래 좌표 두 벌로 준비했는데, 위반 비율은 두 좌표 사이에서 달라지지 않았습니다. 구조별로 짝지은 검정에서 두 쪽이 같다는 가설은 모든 모델과 시드에서 기각됐고, 서로 다른 아키텍처가 거의 같은 결정들을 위반했습니다. 눈에 띄는 예외는 하나뿐이었습니다. 라벨을 단 쪽이 원래 좌표에서 작은 응답을 낸 구조가 한 건 있었는데, 확인해 보니 그 구조는 선택 허용오차 아래에서 실제로 중심대칭이 아니었습니다. 보장이 어긋난 것이 아니라 데이터의 흠을 대신 찾아낸 셈입니다.

정확도를 내주고 산 안전장치도 아니었습니다. 제약이 걸리지 않는 세 목표, 즉 QM9 내부에너지와 쌍극자 모멘트, 탄성 텐서에서는 두 쪽이 시드 잡음 안에서 구별되지 않았습니다. 정작 압전 텐서에서는 라벨을 단 쪽이 세 모델 모두에서 더 낮은 오차를 냈습니다. 파라미터가 더 적은 쪽이 더 정확했던 셈입니다. 쌍극자 모멘트가 좋은 대조군인데, 이 값도 패리티가 홀수이지만 평가 대상 분자 1만 831개 중 대칭성이 0을 강제하는 것은 7개뿐이라 두 쪽이 갈릴 여지가 거의 없었습니다. 둘을 가르는 것은 목표가 홀수냐 짝수냐가 아니라, 평가하는 대상에서 패리티 갭이 열려 있느냐였습니다. 수정 없이 그대로 넣은 EquiformerV2는 비중심대칭 결정에서의 오차만 놓고 보면 평범하게 유능했는데, 그 유능함이 90%대의 위반과 나란히 있었습니다.

2.1가짜 바닥은 대칭이 깨지기 전부터 깔려 있었다

저자들은 패리티가 진짜 원인인지 아니면 원인과 나란히 움직이는 다른 무엇인지를 갈라 보려고, 대칭이 실제로 깨지는 과정을 따라가 봤습니다. 금홍석 구조의 TiO₂를 극성 모드를 따라 33개 진폭으로 조금씩 변위시켰습니다. 중심대칭인 모체에서 출발해 물리적으로 일어날 법한 왜곡을 넘어서는 지점까지입니다. 라벨을 단 쪽은 바닥에서 매끄럽게 올라왔습니다. 라벨을 뗀 쪽은 왜곡이 0인 출발점에서 이미 5~6자릿수 높은 가짜 바닥에 앉아 있었고, 작은 왜곡 구간 전체에서 그 바닥이 진짜 신호를 덮었습니다. 금홍석이 결정적인 사례인 이유는 이 결정의 패리티 갭이 1이라, 모체에서 응답을 막고 있는 것이 오직 패리티이기 때문입니다. 같은 분리가 금홍석형 SnO₂와 아나타제 TiO₂에서도 재현됐습니다. 약한 압전 응답을 가진 후보를 찾는 탐색이라면 그 가짜 바닥이 곧 후보 목록이 됩니다.

더 날카로운 확인은 라벨 없는 모델이 어떤 결정에서 맞히는지를 보는 것입니다. 이 집단은 군론만으로 미리 지목할 수 있습니다. 패리티 갭이 0인 m3̄m, 그러니까 회전 대칭만으로도 이미 0이 강제되는 결정들입니다. 라벨을 뗀 세 모델은 m3̄m 결정에서 위반을 한 건도 내지 않았고, 나머지 결정에서는 97.6~99.2%를 위반했습니다. 앞서 본 90~96%는 안전한 m3̄m까지 포함한 전체 모집단 기준입니다. 미분에서도 선은 같은 자리에 그어졌습니다. 결정 20개와 공간군 19개에 걸쳐 야코비안을 유한차분으로 검증했더니 두 쪽은 다시 5~6자릿수 떨어져 있었습니다. 라벨을 단 쪽은 0을 출력하는 데 그치지 않고 어떤 변위가 응답을 켤 수 있는지까지 구조에 담고 있었던 것입니다.

개별 물질로 내려가도 마찬가지입니다. 갭이 2여서 패리티만이 유일한 방어선인 강옥 Al₂O₃에서 라벨 없는 쪽은 온전한 크기의 텐서를 냈습니다. 반대로 회전만으로 0이 강제되는 암염형·다이아몬드형 화합물에서는 같은 쪽의 예측도 10^-10에서 10^-6 C/m² 사이에 머물렀습니다. 이 화합물들에서 임계값을 넘은 것은 등변성이 근사인 EquiformerV2뿐이었고, 다이아몬드와 SrTiO₃ 두 건이었습니다. 정확히 회전 등변인 모델이라면 원리상 낼 수 없는 종류의 위반입니다.

여기까지 읽으면 자연스레 나오는 반론이 있습니다. 훈련 데이터에 중심대칭 결정이 한 건도 없었으니 데이터 문제 아니냐는 것입니다. 저자들도 같은 질문을 붙들고 네 가지 방법을 차례로 시도했습니다. spglib로 검증한 중심대칭 결정 1,000개에 정확한 0을 라벨로 붙여 재훈련했고, 그 규모를 키워도 봤고, 손실에서 그 행들의 비중을 올려도 봤고, 훈련 대신 예측 단계에서 대칭화를 걸어도 봤습니다.

가장 결정적인 측정은 첫 번째 시도의 결과였습니다. 정답 0을 붙여 훈련에 직접 쓴 바로 그 결정들을 다시 예측시켰더니, 네 모델 모두에서 열 개 중 아홉 개꼴로 여전히 0이 아닌 값이 나왔습니다. 과소적합은 아닙니다. 훈련 오차만 보면 0 라벨이 붙은 행이 실제 텐서가 붙은 행보다 오히려 잘 맞았습니다. 공간군을 못 봐서 생긴 문제도 아닙니다. 훈련에서 그 공간군을 봤느냐에 따라, 훈련에 쓰지 않은 결정의 위반 비율은 거의 달라지지 않았습니다. 증강은 회귀 오차를 모든 모델에서 개선하기까지 했습니다. 논문의 표현을 빌리면, 더 좋은 회귀 모델이 되었으되 여전히 불가능한 값을 예측합니다.

나머지 세 시도의 결과도 방향이 같습니다. 0 라벨을 64배로 늘리는 것도, 그 행의 손실 가중치를 100배로 올리는 것도, 훈련 대신 예측을 사후에 대칭화하는 것도 위반을 줄이는 데까지는 갔습니다. 없애는 데는 이르지 못했습니다.

규모 확대의 숫자를 한 번 더 보겠습니다. 0 라벨을 64배로 늘렸을 때 위반의 크기는 8.6배 작아졌습니다. 그런데 위반하는 결정의 비율은 0.895에서 0.858로, 사실상 제자리였습니다. 예측값은 0을 향해 수렴하는 듯 보이지만 거의 아무것도 정확히 0에 닿지 않습니다. 0에 가까운 값과 0은 다른 값이고, 물리가 요구하는 것은 뒤쪽입니다.

네 번째 시도인 예측 단계 대칭화는 성공처럼 보이지만 조건이 붙습니다. 이 보정은 목표 물성의 패리티를 이미 알고 있어야 적용할 수 있습니다. 패리티 라벨이 애초에 하던 일을 사후에 손으로 흉내 내는 셈이고, 그마저도 EquiformerV2처럼 등변성이 근사인 모델에는 통하지 않았습니다. 결국 저자들이 시험한 어떤 훈련 전략도 이 격차를 닫지 못했습니다.

실무에서 이 설계 비트를 만지는 사람은 사실 많지 않습니다. 요즘 흔한 작업 방식은 공개된 범용 원자간 포텐셜을 가져와 그 위에 물성 판독 헤드를 얹고, 자기 데이터로 헤드만 훈련하는 것입니다. 논문의 두 번째 정리가 이 구도를 정면으로 다룹니다. 백본의 특징이 패리티 라벨을 달고 있으면 그 위에 어떤 헤드를 얹든 금지된 값은 나오지 않고, 백본이 모든 차수를 짝수라고 선언해 두었다면 헤드를 아무리 훈련해도 그 보장은 생기지 않습니다.

저자들은 이 명제를 공개 모델 두 개로 확인했습니다. 같은 구조의 압전 헤드를 각각의 동결된 특징 위에 올려 똑같이 훈련시켰습니다. 결과는 백본을 따라 갈렸습니다.

패리티 라벨을 가진 MACE-MP-0 위에서는 헤드의 위반이 모든 결정과 모든 시드에서 정확히 0이었습니다. 모든 차수를 짝수로 선언한 eSEN-30M-OAM 위에서는 같은 헤드가 앞서 본 것과 같은 비율로 불가능한 값을 냈고, 회귀 정확도는 두 경우가 비슷했습니다. 헤드는 작고 선형이며 훈련되지만, 시험 대상인 성질은 헤드보다 위쪽에 있었습니다.

여기서 깨지는 가정이 하나 있습니다. 우리 팀이 만든 부분만 검증하면 된다는 생각입니다. 파인튜닝과 전이학습이 표준이 된 지금, 결과의 가능과 불가능을 가르는 결정은 우리가 만지지 않은 계층에서, 우리가 합류하기 전에, 기록되지 않은 채로 이미 내려져 있었습니다.

그렇다면 이 라벨이 없는 모델은 얼마나 될까요. 저자들은 공개된 아키텍처 18개를 버전까지 고정해 소스를 읽고, 읽어서 판정이 안 되는 것은 직접 수치로 재서 분류했습니다. 패리티를 타입으로 가진 것은 NequIP, Allegro, MACE, MatTen, ICTP, GotenNet 여섯이었습니다. EquiformerV1과 V2, eSCN, eSEN, UMA, EquiformerV3 여섯은 차수와 차원만 다룰 뿐 패리티 플래그가 없는 회전 전용이었습니다. PaiNN과 TorchMD-Net, ViSNet은 벡터 채널 하나를 가지되 타입을 선언하지 않고, SchNet과 DimeNet++, FAENet은 애초에 등변 텐서를 낼 경로가 없습니다. 3랭크 텐서를 낼 수 있는 12개 중 정확히 절반만 패리티를 타입으로 들고 있는 셈입니다.

회전 전용으로 분류된 목록에 실제로 널리 쓰이는 범용 포텐셜 계열이 들어 있다는 점이 눈에 걸립니다. 그리고 이 정보는 어디에도 적혀 있지 않습니다. 논문은 특징의 대칭군을 보고하는 모델 카드나 검증 스위트를 하나도 찾지 못했다고 적었습니다. 최대 각운동량 차수는 대개 공개되지만 패리티 플래그는 그렇지 않습니다.

누락이 실수인 것도 아닙니다. Allegro는 패리티 타입으로 배포되지만, 그 논문에는 네트워크를 단순하게 만들고 메모리를 아끼기 위해 패리티 인덱스를 떼도 된다는 서술이 있습니다. 문서화된 효율화 선택이었고, 그 선택의 비용은 지금까지 측정된 적이 없었습니다.

확인 자체는 어렵지 않습니다. 훈련도, 데이터도, 참조 계산도 필요 없습니다. 무작위 초기화 상태의 모델에 반사를 한 번 적용해 출력이 어떻게 변하는지 보면 몇 초 만에 판정됩니다. 논문의 요구도 그만큼 소박합니다. 최대 각운동량 차수만 적지 말고 특징의 대칭군도 적을 것, 그리고 헤드뿐 아니라 백본에 대해서도 적을 것.

범위는 압전에 그치지 않습니다. 비선형 광학 소재 탐색에 쓰이는 2차 조화 발생 텐서도 랭크와 패리티, 따라서 패리티 갭을 압전과 공유합니다. 중심대칭 후보를 미리 걸러 내고 계산은 나머지에만 돌리자는 우회로도 안전하지 않습니다. 논문의 데이터에서 결정 2,000개는 선택 허용오차 기준으로 전부 중심대칭이지만, 허용오차를 10^-4로 좁히면 2.2%가, 10^-5로 좁히면 6.5%가 비중심대칭 쪽으로 넘어갑니다. 생성 모델이 만든 구조 데이터베이스에서 후보를 길어 올릴수록 이런 경계 사례는 늘어납니다.

논문은 자기 한계도 적어 두었습니다. EquiformerV2는 수정 없이 있는 그대로 측정했을 뿐이라 어떤 결론도 여기에 기대고 있지 않고, 라벨을 단 세 모델이 모두 같은 구현체를 쓴 탓에 구현 특이적 효과를 완전히 배제하지는 못했으며, 손실 재가중과 0 주입 스윕은 NequIP 하나로만 수행했습니다. 아키텍처 감사도 특정 버전에 고정된 결과입니다. 원문은 arXiv:2608.18714에서 볼 수 있습니다.