[論文レビュー] A foundation model for atomistic materials chemistry

Ilyes Batatia, Philipp Benner+86 more|arXiv (Cornell University)|Dec 29, 2023

Machine Learning in Materials Science被引用数 236

ひとこと要約

多様な原子レベル系にそのまま適用可能な基盤機械学習インタ atom間ポテンシャル MACE-MP-0 を紹介し、限られたデータで微調整することで ab initio 精度に到達できる。

ABSTRACT

Atomistic simulations of matter, especially those that leverage first-principles (ab initio) electronic structure theory, provide a microscopic view of the world, underpinning much of our understanding of chemistry and materials science. Over the last decade or so, machine-learned force fields have transformed atomistic modeling by enabling simulations of ab initio quality over unprecedented time and length scales. However, early ML force fields have largely been limited by: (i) the substantial computational and human effort of developing and validating potentials for each particular system of interest; and (ii) a general lack of transferability from one chemical system to the next. Here we show that it is possible to create a general-purpose atomistic ML model, trained on a public dataset of moderate size, that is capable of running stable molecular dynamics for a wide range of molecules and materials. We demonstrate the power of the MACE-MP-0 model - and its qualitative and at times quantitative accuracy - on a diverse set of problems in the physical sciences, including properties of solids, liquids, gases, chemical reactions, interfaces and even the dynamics of a small protein. The model can be applied out of the box as a starting or "foundation" model for any atomistic system of interest and, when desired, can be fine-tuned on just a handful of application-specific data points to reach ab initio accuracy. Establishing that a stable force-field model can cover almost all materials changes atomistic modeling in a fundamental way: experienced users get reliable results much faster, and beginners face a lower barrier to entry. Foundation models thus represent a step towards democratising the revolution in atomic-scale modeling that has been brought about by ML force fields.

研究の動機と目的

• 単一の事前学習モデルから多様な化学種をモデル化できる、固体・液体・気体を対象とする汎用ML原子間ポテンシャルを開発する。
• 中程度の規模の公開データセットが広範な転移性を持つ基盤モデルを訓練できることを実証する。
• 限られた構成数での微調整が新しい系に対してab initioレベルの精度をもたらすことを示す。
• 水、触媒作用、MOFに対する適用性と、追加のベンチマーク特性を示す。

提案手法

• 原子クラスタ拡張と等張性グラフニューラルネットワークを組み合わせたMACEアーキテクチャを採用する。
• 高次体秩の等張特徴（4体）を組み込み、必要なメッセージパッシングの深さを削減する。
• 高次特徴を効率的にパラメータ化するためにテンソル分解を用いる。
• MPtrj 公開データセットで訓練し、多様な系における安定性と精度を評価する。
• 複数のモデル変種（MACE-MP-0, MACE-MP-0b3, MACE-MP-0b3+ D3）を提示し、ベンチマークでの性能を報告する。

実験結果

リサーチクエスチョン

• RQ1 単一のMLIP基盤モデルは、周期表全体にわたり固体・液体・気体を正確に記述できるか？
• RQ2 基盤モデルはどの程度、ドメイン外の系へ一般化しても安定したMD軌道を提供できるか？
• RQ3 限定データでの微調整が特定の用途に対して定量的なab initio精度を達成するのにどれほど効果的か？

主な発見

• MACE-MP-0は幅広い材料と分子に対して安定したMDを示し、定性的で時には定量的な精度を示す。
• 水・氷・界面・MOFに対するアウトオブザボックス性能は、参照法および実験データと意味のある一致を示す。
• マルチヘッドリプレイプロトコルによる少数の構成での微調整は力の誤差を大幅に低減し、特定タスクでab initio精度に到達できる。
• モデルはドメイン外の触媒反応タスクへ転移し、標的化された微調整によって多くのケースでDFT NEB計算と優れた一致を達成する。
• 基盤モデルは大規模な化学空間（例：91個のMOF-74類似体）を高スループットで探索し、長いMD時間スケールを可能にする。