The first principle study based on Density Functional Theory (DFT) needs tremendous computational cost and time to find DFT energy of ground state for targeted materials, causing limitation of a number of atoms below hundreds. To overcome the limitations, it has to be quickly predicted the energy as a function of composition and structure as defining interatomic potential in the various atomic environments. Using artificial intelligence-based machine learning technology proposed by Behler-Parrinello, we have predicted DFT energies and optimized structures for CuCo Oxides in a different composition. From the method, we have developed neural network potential with an accuracy of 15.7 meV/atom and 103.6 meV/Å for energy and force, respectively. The approaches were able to calculate the formation energies in a short time according to the oxygen defects in the CuCoO bulk and slab models as well as to investigate the thermodynamically stable structures demonstrating an energy convex hull.

범밀도이론함수(Density Functional Theory, DFT) 기반의 제일원리전산모사는 기저상태의 DFT 에너지를 구하는데 많은 시간소요 및 전산자원을 소모하였다. 이러한 막대한 전산자원의 소모는 DFT 계산에서 고려할 원자수를 수 백개 이 하로 제한되게 되었으며, 이를 해결하기 위해서는 전자구조 계산이 아닌 원자의 환경 내에 원자간 상호작용을 정의 (Force Field, 힘장)하고 이를 통해 주어진 조성 혹은 구조에 따른 에너지를 빠르게 예측 할 수 있어야 한다. 본 논문에서 는 Behler-Parrinello가 제시한 인공신경망 모델을 활용해 인공지능 다원계 힘장을 개발하고 코발트-구리 산화물의 조성에 따른 에너지를 예측하고 안정한 구조를 탐색하는 연구를 수행하였다. 인공신경망 기술로 부터 구리-코발트 산화물에 대 해 15.7 meV/atom의 에너지 오차와 단위거리당 힘 103.6 meV/Å의 정확도를 가지는 인공신경망 포텐셜을 개발하였다. 이 방법으로 빠르고 정확하게 CuCoO 표면구조의 산소 결함률에 따른 생성에너지를 계산할 수 있었고, 에너지 컨벡스 홀을 도시 조성에 따른 안정한 구조를 예측하였다.