[論文レビュー] Construction of accurate machine learning force fields for copper and silicon dioxide

Wenwen Li, Yasunobu Ando|arXiv (Cornell University)|Jul 5, 2018

Mineral Processing and Grinding被引用数 3

ひとこと要約

本稿では、角度付き構造指標と混合モデル手法を用いて銅（Cu）および二酸化ケイ素（SiO2）の機械学習力場を提示し、ab initio計算と同等の高い精度を達成した。この手法は、結合角を組み込み、LASSOおよび遺伝的アルゴリズムを用いた効果的な特徴選択を可能にすることで、標準的手法に比べて予測精度を向上させた。

ABSTRACT

Recently, the machine learning force field has emerged as a powerful atomic simulation approach for its high accuracy and low computational cost. However, its applications in the multi-component materials are relatively less. In this study, the ML force fields are constructed for both elemental material (Cu) and binary material (SiO2). The atomic environments are described by the structural fingerprint that takes the bond angle into account, and then, different ML techniques, including linear regression, neural network and mixture model method, are used to learn the structure-force relationship. We found that the use of angular structural fingerprint and mixture model method significantly improves the accuracy of ML force fields. In addition, we discussed the effective structural fingerprints auto-selection method based on LASSO and the genetic algorithm. The atomic simulations carried out with ML force fields are in excellent agreement with ab initio calculations.

研究の動機と目的

• 多成分材料、特に銅および二酸化ケイ素の高精度な機械学習力場を開発すること。
• 構造指標に結合角を組み込むことで、力場の精度を向上させること。
• 線形回帰、ニューラルネットワーク、および混合モデルの異なる機械学習手法—構造-力マッピングの評価と比較を行うこと。
• LASSOおよび遺伝的アルゴリズムを用いた有効な構造指標自動選択手法を導入すること。
• 原子シミュレーションを通じて、訓練されたML力場をab initio計算と比較し、妥当性を検証すること。

提案手法

• 結合角を含む構造指標を構築し、原子環境の表現を強化する。
• 複数の機械学習モデルを用いて力場を訓練する：線形回帰、ニューラルネットワーク、および混合モデル手法。
• 混合モデル手法は、複数のモデルの予測を組み合わせることで、モデルの頑健性と精度を向上させる。
• LASSO回帰を用いて、最も関連性の高い構造記述子を特定するための特徴選択を実施する。
• 遺伝的アルゴリズムを用いて、モデル性能の向上を目的とした構造指標の最適な組み合わせを最適化する。
• 訓練されたML力場を用いて原子シミュレーションを実施し、ab initio結果と比較して妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 構造指標に結合角を組み込むことで、CuおよびSiO2の機械学習力場の精度にどのような影響を与えるか？
• RQ2 線形回帰、ニューラルネットワーク、または混合モデルのうち、どの機械学習モデルがこれらの材料における力の予測精度を最も高めるか？
• RQ3 LASSOおよび遺伝的アルゴリズムは、力場訓練に向けた最も情報量の多い構造指標を効果的に同定できるか？
• RQ4 角度付き指標を用いて訓練されたML力場は、どの程度ab initio計算の精度に近づけるか？
• RQ5 得られた力場は、多様な原子配置においてどの程度安定的かつ一般化可能か？

主な発見

• 角度付き構造指標の使用は、径方向のみの記述子に比べて、機械学習力場の精度を顕著に向上させた。
• 混合モデル手法は、CuおよびSiO2の両方において、線形回帰およびニューラルネットワークを上回る力の予測精度を達成した。
• LASSOベースの特徴選択は、記述子の数を削減しつつも、高い予測精度を維持できた。
• 遺伝的アルゴリズムにより、最適な構造指標の組み合わせを効率的に同定でき、モデルの一般化性能が向上した。
• ML力場を用いた原子シミュレーションでは、エネルギーおよび力の予測においてab initio結果と優れた一致を示した。
• 最終的な力場は、低コストで高い精度を達成しており、大規模な分子動力学シミュレーションに適している。