[論文レビュー] Benchmarking of machine learning interatomic potentials for reactive hydrogen dynamics at metal surfaces

Wojciech G. Stark, van der Oord+5 more|arXiv (Cornell University)|Mar 22, 2024

Machine Learning in Materials Science被引用数 4

ひとこと要約

本研究では、銅表面における反応性水素ダイナミクスをシミュレートするため、最先端の機械学習原子間ポテンシャル（PaiNN、REANN、MACE、ACE）をベンチマークした。REANNおよびMACEは、精度と推論速度の両立が図られており（CPU上での1原子・ステップあたり0.2〜0.5 ms）、吸着確率の高スループットなシミュレーションが可能である。一方、ACEは最も速い推論速度を示すが、一貫した精度を得るためには訓練データの改善が必要である。

ABSTRACT

Simulations of chemical reaction probabilities in gas surface dynamics require the calculation of ensemble averages over many tens of thousands of reaction events to predict dynamical observables that can be compared to experiments. At the same time, the energy landscapes need to be accurately mapped, as small errors in barriers can lead to large deviations in reaction probabilities. This brings a particularly interesting challenge for machine learning interatomic potentials, which are becoming well-established tools to accelerate molecular dynamics simulations. We compare state-of-the-art machine learning interatomic potentials with a particular focus on their inference performance on CPUs and suitability for high throughput simulation of reactive chemistry at surfaces. The considered models include polarizable atom interaction neural networks (PaiNN), recursively embedded atom neural networks (REANN), the MACE equivariant graph neural network, and atomic cluster expansion potentials (ACE). The models are applied to a dataset on reactive molecular hydrogen scattering on low-index surface facets of copper. All models are assessed for their accuracy, time-to-solution, and ability to simulate reactive sticking probabilities as a function of the rovibrational initial state and kinetic incidence energy of the molecule. REANN and MACE models provide the best balance between accuracy and time-to-solution and can be considered the current state-of-the-art in gas-surface dynamics. PaiNN models require many features for the best accuracy, which causes significant losses in computational efficiency. ACE models provide the fastest time-to-solution, however, models trained on the existing dataset were not able to achieve sufficiently accurate predictions in all cases.

研究の動機と目的

• 金属表面における反応性水素散乱をシミュレートするための最新の機械学習原子間ポテンシャル（MLIP）の性能を評価すること。
• 反応確率の高スループット分子動力学的シミュレーションにおける精度、推論速度、適性を評価すること。
• 統計的サンプリング要件を満たす複雑な表面反応ダイナミクスをモデル化するための、最も効率的かつ正確なMLIPを同定すること。
• メッセージパッシングニューラルネットワーク（PaiNN、REANN、MACE）と原子クラスターエクスパンション（ACE）の異なるアーキテクチャ設計が、予測性能に与える影響を比較すること。

提案手法

• 本研究では、初期のMPNNベースのMLIPを用いたアクティブラーニングにより生成された、低インデックスCu面における反応性H2散乱のデータセットを採用した。
• PaiNN、REANN、MACE（等変換グラフニューラルネットワーク）、およびACEポテンシャル（ACEPotentials.jlフレームワークを用いて）の5つのMLIPが訓練された。
• すべてのモデルは、エネルギー障壁、フォノンバンド構造、さまざまな温度における格子膨張を予測する精度について評価された。
• 推論性能は、CPU上での1力評価あたりの1原子・ステップあたりの時間（time-to-solution）で測定され、REANNおよびMACEはそれぞれ0.2 msおよび0.5 ms/atom/stepを達成した。
• 反応的吸着確率は、数万本の軌道のアンサンブル平均として計算され、MLIPの予測値と参照データを比較した。
• すべてのモデルにおいて、精度と計算効率のバランスを取るためにハイパーパramータ最適化が実施された。

実験結果

リサーチクエスチョン

• RQ1 金属表面における反応性水素ダイナミクスをシミュレートする際、精度と推論速度の両立が図れる機械学習原子間ポテンシャルはどれか？
• RQ2 メッセージパッシングニューラルネットワーク（PaiNN、REANN、MACE）と原子クラスターエクスパンション（ACE）ポテンシャルは、CuにおけるH2の反応確率予測においてどのように比較されるか？
• RQ3 同じデータセットで訓練された場合、ACEポテンシャルは、神経ネットワークベースのモデルと同等の精度を達成できるか？また、推論速度は著しく速くなるか？
• RQ4 モデルアーキテクチャの違いが、ガス-表面ダイナミクスにおける複雑な反応経路やエネルギー障壁の捉え込み能力にどの程度影響を与えるか？
• RQ5 ACEベースのMLIPの予測性能において、訓練データの質と整備が、ディープラーニングベースのアプローチと比較して果たす役割は何か？

主な発見

• REANNおよびMACEモデルは、精度と推論速度の両立が図られており、それぞれCPU上での1力評価あたりの1原子・ステップあたり0.2 msおよび0.5 msの時間-to-solutionを達成した。
• PaiNNモデルは高い精度を得るためには多くの特徴量を必要とし、強力な予測性能を示すものの、顕著な計算オーバーヘッドが生じ、効率性が低下した。
• ACEポテンシャルは、推論時間が最も速く（約0.1 ms/atom/step）、しかし与えられた訓練データでは、すべての反応座標において一貫した精度を達成できなかった。
• すべてのモデルが格子膨張およびフォノンバンド構造を正確に予測しており、銅の体積および表面特性を記述する上で堅牢であることが示された。
• 最適化されたハイパーパramータを用いることで、MACEおよびREANNは、運動エネルギーおよび振動状態の関数としてのH2吸着確率について、実験結果および参照シミュレーション結果を再現した。
• 本研究では、ACEポテンシャルが、神経ネットワークベースのモデルと同等の精度に到達させるためには、より高品質またはよりバランスの取れた訓練データが必要である可能性が示唆された。