[論文レビュー] Accurate and scalable multi-element graph neural network force field and molecular dynamics with direct force architecture

Cheol Woo Park, Mordechai Kornbluth+4 more|arXiv (Cornell University)|Jul 28, 2020

Machine Learning in Materials Science被引用数 16

ひとこと要約

本論文では、局所的原子環境の回転に対して共変的で並進に対して不変な特徴を用いて、原子の力を直接予測するスケーラブルなグラフニューラルネットワーク力場（GNNFF）を紹介する。この手法は、分子動力学シミュレーションにおいて高い精度と高速性を達成し、小規模な系で学習した後、Li7P3S11におけるリチウム拡散を14%以内の誤差で正確に予測する。

ABSTRACT

Recently, machine learning (ML) has been used to address the computational cost that has been limiting ab initio molecular dynamics (AIMD). Here, we present GNNFF, a graph neural network framework to directly predict atomic forces from automatically extracted features of the local atomic environment that are translationally-invariant, but rotationally-covariant to the coordinate of the atoms. We demonstrate that GNNFF not only achieves high performance in terms of force prediction accuracy and computational speed on various materials systems, but also accurately predicts the forces of a large MD system after being trained on forces obtained from a smaller system. Finally, we use our framework to perform an MD simulation of Li7P3S11, a superionic conductor, and show that resulting Li diffusion coefficient is within 14% of that obtained directly from AIMD. The high performance exhibited by GNNFF can be easily generalized to study atomistic level dynamics of other material systems.

研究の動機と目的

• ab initio分子動力学（AIMD）の計算コストを克服する機械学習力場の開発を目的とする。
• 一貫したスケーラブルなフレームワークを用いて、多様な物質系において高精度な力予測を可能とすることを目的とする。
• 小規模な訓練系から大規模な分子動力学シミュレーションへの一般化を保証することを目的とする。
• 多元素系、特に超イオン導体を含む物質において、高い精度と計算効率を達成することを目的とする。
• Li7P3S11のような複雑な系において、直接AIMDと比較可能なフレームワークの有効性を示すこと。

提案手法

• GNNFFは、原子環境をグラフとして処理するグラフニューラルネットワークを採用し、ノードを原子、エッジを原子間相互作用として定義する。
• 局所的原子特徴は並進不変性と回転共変性を満たすように構築され、物理的対称性が保持される。
• エネルギー最小化や後処理を必要とせず、これらの幾何的特徴から直接原子の力を予測する。
• モデルは、小規模な系における密度汎関数理論（DFT）で計算された力から、エンドツーエンドで学習される。
• 要素の識別子と局所的配位状態をグラフ表現に組み込むことで、多元素系をサポートする。
• 効率的なメッセージパッシングと不変特徴の設計により、大規模なMDシミュレーションが可能となる。

実験結果

リサーチクエスチョン

• RQ1 小規模な系で学習したグラフニューラルネットワーク力場は、大規模な分子動力学シミュレーションにおいても正確に力を予測できるか？
• RQ2 エネルギーモデルを必要とする従来のML力場と比較して、直接的力予測アーキテクチャは精度と効率においてどのように異なるか？
• RQ3 モデルはLi7P3S11のような多元素系を含め、さまざまな物質系にどれほど一般化できるか？
• RQ4 超イオン導体における予測されたリチウム拡散係数の精度は、ab initio分子動力学と比較してどの程度か？
• RQ5 特徴表現における回転共変性と並進不変性は、モデルの性能にどのように影響するか？

主な発見

• GNNFFは多様な物質系において高い力予測精度を達成し、ab initio法と同等の性能を示す。
• Li7P3S11におけるリチウム拡散係数を、直接ab initio分子動力学で得られた値と14%以内の誤差で正確に予測する。
• 小規模な系の力から学習した後、GNNFFは高精度な大規模な分子動力学シミュレーションを成功裏に実行する。
• 直接的力予測アーキテクチャにより、エネルギーベースのモデルよりも高速な推論が可能となり、計算効率が向上する。
• フレームワークは多元素系に効果的に一般化され、さまざまな化学的環境においても頑健であることが示された。
• 回転共変的で並進不変な特徴の使用により、物理的整合性が保たれ、一般化性能が向上した。