The configuration problem in solids - determination of atomic configurations in the solids - is one of the simplest yet computationally still demanding problems in materials prediction. While approximate methods have been developed for molecular systems, such methods are often considered inappropriate for solids due to their nature. In this thesis, two approximate methods for solids, namely weighted many-body expansion (MBE) and artificial neural network (ANN) based approach, are proposed and tested. Both approaches are shown to be computationally efficient without significant loss in accuracy. Finally, analytic gradients of doubly hybrid functionals with OS-PT2 ansatz are derived, which can lead to highly accurate geometries, which is one of the ultimate goals of the materials prediction.
고체 내의 원자 배열을 결정하는 배열 문제는 물질 예측에 있어 가장 간단하면서도 여전히 많은 계산량을 요구하는 문제이다. 분자로 구성된 계에 대해서는 근사적 방법이 개발되어 있으나, 고체에서는 그 특성상 적용하기에 난점이 있다. 본 학위논문에서는 가중 다체 전개와 인공신경망, 두 가지 방법을 제안하여 각각 시험하였다. 가중 다체 전개를 통해 경험적 매개변수 없이 고체에 대한 다체 전개의 수렴을 가속하여 기존 다체 전개의 난점을 해결하였다. 또한, 기존의 방법에 비해 이론적으로 유연한 인공신경망과 기계학습 방법을 통해 배열로부터 바로 에너지를 계산할 수 있었다. 두 방법 모두 효율적이면서도 정확성을 크게 잃지 않았다. 마지막으로, XYGJ-OS 범함수의 해석적 미분을 통해 고도로 정확한 구조를 효율적으로 계산할 수 있음을 보였다.
