카-파리넬로 분자동역학

분자동역학 계산물리 양자화학 시뮬레이션 마지막 수정: 2026-07-17 04:23:18

1. 개요[편집]

카-파리넬로 분자동역학 Car-Parrinello Molecular Dynamics
약칭	CPMD
발표	1985년, Roberto Car & Michele Parrinello
핵심 아이디어	전자 파동함수에 가상 질량을 주고 원자핵과 함께 시간 적분
대표 코드	CPMD, Quantum ESPRESSO(cp.x), CP2K

카-파리넬로 분자동역학(Car-Parrinello Molecular Dynamics, CPMD)은 매 시간 스텝마다 전자 구조를 자기무리마당(SCF) 수렴시키는 대신, 전자 파동함수 자체에 가상의 질량을 부여해 원자핵과 함께 고전적으로 시간 적분하는 제일원리 분자동역학 기법이다. 1985년 Roberto Car와 Michele Parrinello가 단 4페이지짜리 PRL 논문으로 발표했고,¹ 밀도범함수이론과 분자동역학을 하나로 묶어버린 이 아이디어는 계산재료·계산화학의 판을 갈아엎었다.

핵심 통찰은 “어차피 SCF로 수렴시킬 거면, 그 수렴 과정을 동역학으로 대신하면 안 되나?”라는 것이다. 전자를 바닥상태 근처에 묶어두는 일을 최적화가 아니라 관성에 맡긴다. 원자핵이 천천히 움직이면 가벼운 전자는 알아서 따라오면서 바닥상태 근처를 맴돈다. 게으른 것 같지만 물리적으로 대단히 영리한 발상이다.

2. 왜 필요했나[편집]

힘장을 쓰는 고전 분자동역학은 빠르지만 결합의 생성과 절단, 전하 이동, 분극을 다루지 못한다. 화학 반응을 보고 싶으면 전자를 직접 풀어야 한다. 그래서 나온 것이 제일원리 분자동역학(AIMD)이고, 여기엔 두 갈래가 있다.

본-오펜하이머 분자동역학(BOMD)은 정직한 방법이다. 매 스텝마다 원자핵 위치를 고정하고 콘-샴 방정식을 SCF로 완전히 수렴시킨 뒤, 헬만-파인만 힘을 계산해 원자핵을 한 스텝 옮긴다. 이름 그대로 본-오펜하이머 근사의 퍼텐셜 에너지 곡면 위를 정확히 따라간다. 문제는 매 스텝의 SCF가 비싸다는 것. 1985년 당시 컴퓨터로는 수십 스텝만 돌려도 하루가 갔다.

CPMD는 이 SCF 반복을 통째로 없앤다. 대신 전자 자유도를 동역학 변수로 승격시켜, 원자핵 적분과 같은 루프 안에서 함께 굴린다. 스텝당 비용이 확 떨어진다.

3. 확장 라그랑지안[편집]

CPMD의 전부는 아래 하나의 라그랑주 역학 식에 담겨 있다.

\mathcal{L} = \underbrace{\frac{1}{2}\sum_I M_I \dot{\mathbf{R}}_I^2}_{\text{원자핵 운동에너지}} + \underbrace{\mu \sum_i \int |\dot{\psi}_i(\mathbf{r})|^2 d\mathbf{r}}_{\text{가상 전자 운동에너지}} - E[\{\psi_i\}, \{\mathbf{R}_I\}] + \underbrace{\sum_{ij}\Lambda_{ij}\left(\langle\psi_i|\psi_j\rangle - \delta_{ij}\right)}_{\text{직교규격 구속}}

두 번째 항이 전부다. $\mu$ 는 가상 질량(fictitious mass)으로, 단위가 에너지×시간²인 그냥 숫자 파라미터다. 실제 전자 질량이 아니다. 마지막 항은 파동함수의 직교규격성을 강제하는 라그랑주 승수법이고, 실무에서는 SHAKE/RATTLE 계열 알고리즘으로 처리한다.

오일러-라그랑주 방정식을 얻으면 운동방정식은 이렇게 된다.

M_I \ddot{\mathbf{R}}_I = -\frac{\partial E}{\partial \mathbf{R}_I}, \qquad \mu \ddot{\psi}_i = -\frac{\delta E}{\delta \psi_i^*} + \sum_j \Lambda_{ij}\psi_j

두 식 모두 그냥 뉴턴 방정식 꼴이다. 따라서 베를레 적분 같은 표준 심플렉틱 적분기로 함께 굴리면 된다. 전자를 위해 별도의 최적화 루틴을 돌릴 필요가 없다는 게 이 방법의 아름다움이다.

4. 단열 분리와 가상 질량[편집]

CPMD가 작동하려면 전자 자유도가 원자핵보다 훨씬 빠르게 진동해서, 둘 사이에 에너지 교환이 일어나지 않아야 한다. 이것을 단열 분리(adiabatic separation)라고 한다. 전자 진동수의 최저값은 대략

\omega_{\min} \approx \sqrt{\frac{2 E_{\text{gap}}}{\mu}}

로 밴드갭 $E_{\text{gap}}$ 에 비례하고 $\mu$ 의 제곱근에 반비례한다. 이 $\omega_{\min}$ 이 원자핵의 최고 진동수(보통 O-H 신축 진동)보다 충분히 커야 안전하다. 여기서 CPMD의 두 가지 실무 제약이 튀어나온다.

$\mu$ 를 마음대로 못 정한다. $\mu$ 가 크면 시간 스텝을 키울 수 있어 좋지만 $\omega_{\min}$ 이 내려가 전자와 원자핵이 공명해버린다. 그러면 전자가 바닥상태에서 떨어져 나오고(drift), 힘이 서서히 틀어진다. 반대로 $\mu$ 가 작으면 안전하지만 시간 스텝이 강제로 작아진다. 물 시뮬레이션에서 $\mu \approx 400$ a.u., $\Delta t \approx 0.1$ fs 근처가 오래된 국룰인데, BOMD가 0.5 fs를 쓸 수 있는 것과 비교하면 스텝 수로는 손해다.²
금속에는 못 쓴다. $E_{\text{gap}} \to 0$ 이면 $\omega_{\min} \to 0$ 이다. 단열 분리가 원리적으로 무너진다. 금속에서 CPMD를 쓰려면 전자 자유도에 별도의 서모스탯을 물려 강제로 식혀야 하는데(2-thermostat 기법), 이 시점에서 “정직하게 BOMD 쓰지 그러냐”는 소리를 듣게 된다.

$\mu$ 를 무시하고 결과를 해석할 때 생기는 또 다른 함정은, 가상 전자 질량이 원자핵의 유효 질량에 슬쩍 얹혀서 진동 스펙트럼을 체계적으로 붉은쪽 이동(redshift)시킨다는 점이다. 알려진 보정식이 있지만, 모르고 그냥 논문 쓰면 리뷰어가 정확히 그 지점을 짚는다.³

5. BOMD와의 비교, 그리고 현재 위상[편집]

항목	CPMD	BOMD
스텝당 비용	낮음 (SCF 없음)	높음 (SCF 반복)
허용 시간 스텝	작음 (~0.1 fs)	큼 (~0.5–1 fs)
에너지 곡면	근처를 맴돎	정확히 위에 있음
금속 적용	어려움	가능
보존량	확장 에너지 (실제 에너지 아님)	실제 총에너지

CPMD는 등장 당시 압도적이었지만, 오늘날의 위상은 좀 더 미묘하다. SCF 수렴 가속 기법(DIIS, 파동함수 외삽)이 발전하면서 BOMD의 스텝당 비용이 크게 줄었고, 큰 시간 스텝을 쓸 수 있다는 이점 덕분에 총 시뮬레이션 시간 기준으로는 BOMD가 앞서는 경우가 많아졌다. 지금 새로 시작하는 AIMD 프로젝트는 CP2K나 VASP의 BOMD로 가는 경우가 더 흔하다.

그럼에도 CPMD가 남긴 유산은 코드 이름이 아니라 아이디어다. “느린 자유도와 빠른 자유도를 확장 라그랑지안 안에서 함께 굴린다”는 발상은 이후 파리넬로-라만 정압 동역학, 이온 분극 모델, 메타다이내믹스의 집단변수 동역학 등으로 계속 재활용되고 있다. 최근에는 기계학습 퍼텐셜이 AIMD 궤적을 학습해 DFT 정확도를 고전 MD 속도로 재현하면서, CPMD가 원래 노리던 자리를 다른 방식으로 차지하는 중이다.⁴

6. 관련 문서[편집]

Car, R. & Parrinello, M. (1985). “Unified Approach for Molecular Dynamics and Density-Functional Theory”. Phys. Rev. Lett. 55, 2471. 4페이지 분량으로 한 분야를 만들어낸 논문의 대표 사례로 자주 인용된다. 인용 수는 진작에 만 단위를 넘겼다. ↩
스텝당 비용이 싼 대신 스텝 수가 많이 필요하니, 총 벽시계 시간으로 비교하면 CPMD의 우위는 생각보다 작다. 1985년에는 SCF가 압도적으로 비쌌기 때문에 이 트레이드오프가 CPMD 쪽으로 크게 기울어 있었을 뿐이다. ↩
가상 질량 $\mu$ 가 원자핵의 유효 질량을 미묘하게 늘려서 진동 진동수를 체계적으로 낮춘다. 물의 O-H 신축 진동수가 실험보다 낮게 나오는 걸 “DFT 범함수 탓”이라고 결론 냈다가, 알고 보니 $\mu$ 탓이었던 사례가 문헌에 여럿 있다. 범함수는 억울하다. ↩
요약하면 CPMD의 정신은 “비싼 계산을 매번 다시 하지 말고 상태를 이어서 굴려라”이고, 기계학습 퍼텐셜의 정신은 “비싼 계산을 미리 다 해놓고 외워라”다. 목표는 같고 게으름의 방향이 다르다. ↩