[論文レビュー] Capturing long-range interaction with reciprocal space neural network

Hongyu Yu, Liangliang Hong+3 more|arXiv (Cornell University)|Nov 30, 2022

Machine Learning in Materials Science被引用数 4

ひとこと要約

本稿では、実空間の原子配置を逆空間に変換することで、クーロン力やファンデルワールス力のような長距離相互作用を捉えることができる、逆空間ニューラルネットワーク（RSNN）フレームワークを提案する。この手法は、ユークリッド的および並進不変性を保ち、イオン性系におけるバンドギャップといったグローバルな性質の正確なモデリングを可能にする。NaClおよび欠陥を有するGaxNy系において、性能向上が実証された。

ABSTRACT

Machine Learning (ML) interatomic models and potentials have been widely employed in simulations of materials. Long-range interactions often dominate in some ionic systems whose dynamics behavior is significantly influenced. However, the long-range effect such as Coulomb and Van der Wales potential is not considered in most ML interatomic potentials. To address this issue, we put forward a method that can take long-range effects into account for most ML local interatomic models with the reciprocal space neural network. The structure information in real space is firstly transformed into reciprocal space and then encoded into a reciprocal space potential or a global descriptor with full atomic interactions. The reciprocal space potential and descriptor keep full invariance of Euclidean symmetry and choice of the cell. Benefiting from the reciprocal-space information, ML interatomic models can be extended to describe the long-range potential including not only Coulomb but any other long-range interaction. A model NaCl system considering Coulomb interaction and the GaxNy system with defects are applied to illustrate the advantage of our approach. At the same time, our approach helps to improve the prediction accuracy of some global properties such as the band gap where the full atomic interaction beyond local atomic environments plays a very important role. In summary, our work has expanded the ability of current ML interatomic models and potentials when dealing with the long-range effect, hence paving a new way for accurate prediction of global properties and large-scale dynamic simulations of systems with defects.

研究の動機と目的

• 既存の機械学習原子間ポテンシャルが長距離相互作用（クーロン力やファンデルワールス力など）を捉えることのできないという限界を解決すること。
• 局所的な機械学習モデルを、近隣原子を超えた完全な原子間相互作用を組み込むように拡張すること。
• 原子系の表現におけるユークリッド的および並進不変性を維持すること。
• 長距離電子相関に依存するグローバルな電子的性質（例：バンドギャップ）の予測精度を向上させること。
• 正確な長距離相互作用を備えた大規模な動的シミュレーションを、欠陥を有する材料に対して可能にすること。

提案手法

• 長距離情報の符号化のために、フーリエ変換を用いて実空間の原子配置を逆空間に変換する。
• 格子の並進および回転に対して不変となるように、逆空間ポテンシャルまたはグローバル記述子を構築し、完全な原子間相互作用を捉える。
• 既存の局所的な機械学習原子間モデルのアーキテクチャを変更せずに、逆空間表現を統合する。
• 単位格子の選択に依存しないように逆空間表現を設計することで、ユークリッド変換に対する不変性を確保する。
• グローバル記述子を用いて完全な電子的環境を表現し、長距離効果の正確な予測を可能にする。
• NaCl や欠陥を有する GaxNy のような長距離相互作用を有する系を用いてモデルを学習させ、性能を検証する。

実験結果

リサーチクエスチョン

• RQ1 イオン性材料における長距離クーロン相互作用を、機械学習原子間ポテンシャルが正確にモデル化できるか。
• RQ2 長距離原子間相互作用を、並進および回転不変性を保つ形で符号化する方法は何か。
• RQ3 逆空間情報の組み込みが、バンドギャップのようなグローバルな電子的性質の予測にどの程度向上効果をもたらすか。
• RQ4 提案手法は、既存の局所的原子間ポテンシャルフレームワークにシームレスに統合可能か。
• RQ5 長距離効果の組み込みが、材料の欠陥を含むシミュレーションの精度を向上させるか。

主な発見

• 逆空間ニューラルネットワークは、NaCl などのイオン性系において、長距離相互作用（クーロン力含む）を効果的に捉えている。
• 長距離電子相関が重要な材料において、バンドギャップの予測精度が向上している。
• 逆空間に基づくグローバル記述子は、ユークリッド変換および単位格子の選択に対して完全に不変性を保っている。
• 長距離相互作用が欠陥の生成や電子構造に影響を与えるGaxNyのような欠陥系において、シミュレーション精度が向上している。
• フレームワークは、既存の局所的機械学習原子間モデルと互換性があり、アーキテクチャの大幅な見直しを伴わずに広範な応用が可能である。
• モデルは、局所的環境だけでなく完全な原子間相互作用に依存するグローバルな性質の予測において、性能が向上している。