[論文レビュー] Accurate Energy Barriers for Catalytic Reaction Pathways: An Automatic Training Protocol for Machine Learning Force Fields

Lars L. Schaaf, Edvin Fako+3 more|arXiv (Cornell University)|Jan 1, 2023

Machine Learning in Materials Science被引用数 7

ひとこと要約

本論文は、機械学習力場（MLFF）の自動的でアクティブラーニングに基づくトレーニングプロトコルを提示し、触媒反応経路におけるエネルギー障壁をDFTと比較して0.05 eV未満の精度で予測することに成功した。インドウム酸化物上でのCO2還元反応に適用したところ、律速障壁が40%低減され、有限温度効果を含むギブス自由エネルギー障壁の計算が可能となり、以前に未調査であった還元表面への一般化性を示した。

ABSTRACT

In this study, we introduce a training protocol for developing machine learning force fields (MLFFs), capable of accurately determining energy barriers in catalytic reaction pathways. The protocol is validated on the extensively explored hydrogenation of carbon dioxide to methanol over indium oxide. With the help of active learning, the final force field obtains energy barriers within 0.05 eV of Density Functional Theory. Thanks to the computational speedup, not only do we reduce the cost of routine in-silico catalytic tasks, but also find a 40\% reduction in the previously established rate-limiting step. Furthermore, we illustrate the importance of finite-temperature effects and compute free energy barriers. The transferability of the protocol is demonstrated on the experimentally relevant, yet unexplored, top-layer reduced indium oxide surface. The ability of MLFFs to enhance our understanding of extensively studied catalysts underscores the need for fast and accurate alternatives to direct ab-intio simulations.

研究の動機と目的

• 複雑な触媒反応経路におけるエネルギー障壁を高精度に予測できる、手作業を要しない自動トレーニングプロトコルの開発。
• 直接DFTを用いる計算コストを克服し、MLFFを用いて反応ネットワーク全体を体系的かつ高精度にシミュレートすること。
• インドウム酸化物上でのCO2からメタノールへの変換経路を、有限温度効果およびギブス自由エネルギー障壁を含めて、妥当性を検証すること。
• 実験的に関連性の高い、かつ以前にDFTで研究されていなかった表面（例：表面層が還元されたインドウム酸化物）へのプロトコルの一般化性を示すこと。
• 反応機構解析においてDFTと同等の精度を維持しながら、高価なab initioシミュレーションへの依存度を低減すること。

提案手法

• プロトコルは、初期の中間体群から予測誤差が大きい領域を繰り返し特定することで、最も情報量の多い構造を自動的に選択するアクティブラーニングを用いる。
• MLFFフレームワークとして、二重ターボSOAP記述子を用いたガウス過程（GAP）を採用し、交差検証によるハイパーパrameter最適化を実施。
• 基準データは、構造最適化およびねじれ弾性バンド（NEB）計算に用いられるDFT（PBE汎関数、PAW擬ポテンシャル、884 eVカットオフ）により生成。
• エネルギー障壁は、10～20枚の画像を用いたNEB計算により算出され、初期パスの推定にはIDPP、収束には指数関数的プリコンディショニングを適用。
• ギブス自由エネルギー障壁は、32個のボックス、110 psのシミュレーション、500 Kでのスプリング定数75 eV/Ųを用いたアンブルバルブ・サンプリングにより計算。
• トレーニングプロセスは不確実性評価に基づき、予測誤差が大きい領域に焦点を当てることで、PESの精度を能率的に向上させる。

実験結果

リサーチクエスチョン

• RQ1 自動的でアクティブラーニングに基づくトレーニングプロトコルは、複雑な触媒経路におけるエネルギー障壁をDFTと比較して0.05 eV以内に予測できるか？
• RQ2 本プロトコルでトレーニングされたMLFFは、CO2還元機構全体にわたり、最小エネルギー経路および遷移状態を正確に再現できるか？
• RQ3 本手法は有限温度効果を捉え、実験条件に整合するギブス自由エネルギー障壁を計算できるか？
• RQ4 本プロトコルは、DFTで未調査であった、実験的に関連性の高い新しい表面へ一般化可能か？
• RQ5 MLFFにより、以前のDFT研究と比較して予測された律速障壁が40%低減されるか？

主な発見

• 最終的なMLFFは、In2O3(110)上でのCO2からメタノールへの変換経路における5つの基盤的段階すべてについて、DFTと0.05 eV未満の差異でエネルギー障壁を予測した。
• 本MLFFは、以前に報告されたDFT値と比較して、予測された律速障壁を40%低減した。これは、遅い段階をより正確に特定できたことを示唆している。
• 500 Kでアンブルバルブ・サンプリングにより計算されたギブス自由エネルギー障壁は、真のDFT自由エネルギー表面と比較して、1kT（45 meV）以内の誤差で有限温度効果を正しく捉えていた。
• プロトコルは、実験的に関連性の高い表面層が還元されたIn2O3表面へも成功裏に適用され、初期トレーニング系を超えた堅牢性を示した。
• ギブス自由エネルギーで50 kTにわたる反応経路全体が、MLFFにより高精度に記述され、最小エネルギー経路はDFTの結果と密接に一致した。
• アクティブラーニングの導入により、必要なDFT基準計算の数が著しく削減され、MLFFの能率的かつ体系的な改善が可能になった。