[論文レビュー] By-passing the Kohn-Sham equations with machine learning

Felix Brockherde, Vogt, Leslie+4 more|arXiv (Cornell University)|Sep 9, 2016

Machine Learning in Materials Science被引用数 3

ひとこと要約

この論文は、外部ポテンシャルから基底状態電子密度へのHohenberg-Kohn写像を直接学習することで、Kohn-Sham方程式を回避する機械学習手法を提案する。高い精度と計算コストの低減を達成し、多様な幾何構造を有する分子系に対して高速かつ正確なエネルギー予測を可能にする。本手法は、最小限のトレーニングデータで量子化学への直接応用が可能であり、汎関数の微分を計算する必要がない。

ABSTRACT

Last year, at least 30,000 scientific papers used the Kohn-Sham scheme of density functional theory to solve electronic structure problems in a wide variety of scientific fields, ranging from materials science to biochemistry to astrophysics. Machine learning holds the promise of learning the kinetic energy functional via examples, by-passing the need to solve the Kohn-Sham equations. This should yield substantial savings in computer time, allowing either larger systems or longer time-scales to be tackled, but attempts to machine-learn this functional have been limited by the need to find its derivative. The present work overcomes this difficulty by directly learning the density-potential and energy-density maps for test systems and various molecules. Both improved accuracy and lower computational cost with this method are demonstrated by reproducing DFT energies for a range of molecular geometries generated during molecular dynamics simulations. Moreover, the methodology could be applied directly to quantum chemical calculations, allowing construction of density functionals of quantum-chemical accuracy.

研究の動機と目的

• 密度汎関数理論（DFT）におけるKohn-Sham方程式を解く計算のボトル neck を克服するため、それらを機械学習モデルで置き換えること。
• これまで機械学習手法の応用を制限してきた非相互作用運動エネルギー汎関数の微分計算を回避すること。
• 反復的自己無撞着性を必要とせず、外部ポテンシャルから電子密度への直接的で微分可能な写像を構築すること。
• 多様な分子コンフォーマーにおけるDFTエネルギーの再現性を高精度で示すことで、本手法の量子化学的計算への実用可能性を実証すること。
• 計算コストを低減しつつ化学的精度を維持する中で、大規模な電子構造計算を可能にすること。

提案手法

• 本手法は、Kohn-Sham方程式を回避し、外部ポテンシャル $ \mathbf{v}(\mathbf{r}) $ から基底状態電子密度 $ n(\mathbf{r}) $ へのHohenberg-Kohn（HK）写像 $ n[\mathbf{v}] $ を直接学習する。
• 多様な分子幾何構造、特に分子動力学シミュレーションからのコンフォーマーを含む、多様な系においてDFTで計算された密度とエネルギーを用いて、カーネルベースの機械学習モデルをトレーニングする。
• 一般化誤差を最小化するため、ガウスカーネルを用いた正則化最小二乗回帰フレームワークを採用し、ポテンシャル入力から密度出力への写像を実現する。
• Kohn-Sham方程式を解く必要がなくなるため、予測された密度を用いて全エネルギー汎関数 $ E[n] $ を評価することでエネルギー予測を実現する。
• 標準的なDFTワークフローへの直接統合を可能にするため、Quantum Espressoフレームワークに本手法を実装し、PBE汎関数を用いる。
• 汎用性と未観測の幾何構造への一般化を保証するため、トレーニングデータ上で交差検証とハイパーパrameterチューニングを実施する。

実験結果

リサーチクエスチョン

• RQ1 Kohn-Sham方程式を解かずに、外部ポテンシャルから電子密度を正確に予測できるか？
• RQ2 運動エネルギー汎関数における微分計算を回避することで、計算コストを著しく低減できるか、かつ精度を維持できるか？
• RQ3 学習されたHK写像は、多様な幾何構造を有する分子系において、DFTエネルギーを化学的精度で再現できるか？
• RQ4 ML-HKモデルは、分子動力学や幾何最適化などの標準的な量子化学計算に応用可能か？
• RQ5 異なるDFT汎関数を識別できるほど、正確な密度を生成できるか？

主な発見

• ML-HKモデルは、FCIおよびCCSD(T)ベンチマークと比較した場合、H₂およびH₂Oにおいて1 mHartree未満の相対誤差を達成し、標準的DFT汎関数と同等のエネルギー予測精度を実現した。
• 反復的自己無撞着性サイクルを回避することで、計算コストを低減し、精度を損なわず高速なエネルギー評価が可能になった。
• ベンゼン、エタン、マルオナールデヒド、複数のコンフォーマーにおいて、ab initio MDシミュレーションとの比較により、DFTエネルギーを正確に再現した。
• ML-HK写像は、異なるDFT汎関数を区別できるほど精度の高い密度を生成でき、将来的な汎関数開発への応用が可能であることを示唆した。
• Quantum Espressoを用いた標準的な量子化学ワークフローに成功して統合され、最大100原子の系において実証された。
• 有限差分力に基づくMDシミュレーションにおいてもエネルギー保存が維持され、1 psのシミュレーション時間にわたり安定した軌道が観察された。