[論文レビュー] Developments and Further Applications of Ephemeral Data Derived Potentials

Pascal T. Salzbrenner, Se Hun Joo+6 more|arXiv (Cornell University)|Jun 10, 2023

Machine Learning in Materials Science参考文献 143被引用数 2

ひとこと要約

本稿は、小さな単位格子からの最小限のDFT計算エネルギーを用いて滑らかで転送性のあるポテンシャルを訓練する、軽量な機械学習原子間ポテンシャルフレームワークである一時的データ由来ポテンシャル（EDDPs）における顕著な進展を提示する。著者らは、構造予測を超えた応用においてもEDDPsの広範な有用性を示し、炭素、鉛、スカンジウムヒ hydride、亜鉛シアン化物といった多様な系において、極限条件下でのフォノン、相図、超イオン性、熱膨張の正確なシミュレーションを可能にした。

ABSTRACT

Machine-learned interatomic potentials are fast becoming an indispensable tool in computational materials science. One approach is the ephemeral data-derived potential (EDDP), which was designed to accelerate atomistic structure prediction. The EDDP is simple and cost-efficient. It relies on training data generated in small unit cells and is fit using a lightweight neural network, leading to smooth interactions which exhibit the robust transferability essential for structure prediction. Here, we present a variety of applications of EDDPs, enabled by recent developments of the open-source EDDP software. New features include interfaces to phonon and molecular dynamics codes, as well as deployment of the ensemble deviation for estimating the confidence in EDDP predictions. Through case studies ranging from elemental carbon and lead to the binary scandium hydride and the ternary zinc cyanide, we demonstrate that EDDPs can be trained to cover wide ranges of pressures and stoichiometries, and used to evaluate phonons, phase diagrams, superionicity, and thermal expansion. These developments complement continued success in accelerated structure prediction.

研究の動機と目的

• 一時的データ由来ポテンシャル（EDDPs）の適用範囲を、高速構造予測を超えて拡張すること。
• 高圧や高温などの極限条件下における複雑な材料のシミュレーションの課題に対処すること。
• 最小限のDFTトレーニングデータを用いて、熱力学的および動的性質の堅牢でコスト効率の良いシミュレーションを可能にすること。
• 多様な化学系、特に元素および化合物材料においてEDDPsの転送性と信頼性推定の妥当性を示すこと。

提案手法

• EDDPsは、小規模な単位格子（≤24原子）における一様点DFTエネルギー計算を用いてトレーニングされ、低コストで高スループットなデータ生成を可能にする。
• 軽量なニューラルネットワークを用いて原子間ポテンシャルをフィッティングし、滑らかで安定したエネルギー・ランドスケープを確保する。
• 予測の信頼性を高めるために、アンサンブル分散を導入し、高スループット応用における信頼性を向上させる。
• フォノン計算および分子動力学（MD）コードへのインターフェースを実装し、振動的および動的性質のシミュレーションを可能にする。
• 活性学習およびバイアス付きMDサンプリングを用いて、高エネルギー状態や不十分に記述された構造のデータカバレッジを向上させる。
• サイズ転送性を活用し、小規模な格子でトレーニングされたポテンシャルが、大規模系を効果的にモデル化できることを実現する。

実験結果

リサーチクエスチョン

• RQ1 EDDPsは、高圧下におけるフォノン分散および熱的性質を信頼性高く予測できるか？
• RQ2 スピン-軌道結合効果を含めた場合、EDDPsは相安定性および相図の予測においてどの程度の性能を示すか？
• RQ3 三元系ヒ hydride などの複雑な系において、1つのEDDPが広範な化学 Stoichiometry をどれだけ正確にモデル化できるか？
• RQ4 EDDPsは、高圧ヒ hydride における超イオン性および水素格子の融解を正確に捉えることができるか？
• RQ5 アンサンブル分散指標は、多様な化学環境下でのEDDP予測における信頼性推定をどの程度向上させるか？

主な発見

• Immm-ScH12のEDDPは、350 GPa下で700 K以上で水素格子の融解と超イオン性を正確に予測し、AIMD結果と整合的であった。
• 鉛のEDDPはスピン-軌道結合を組み込むことで、実験的な融解曲線を再現し、実験結果との一致を向上させた。
• スカンジウムヒ hydride に対して1つのEDDPを用いて広範な化学 Stoichiometry を正確に探索し、既知の結果と整合する安定相を予測した。
• 4,000回未満のDFT計算でトレーニングされたEDDPは、炭素を除き、元素系においてmeVレベルの精度を達成した。
• アンサンブル分散指標は、EDDP予測における信頼性推定を信頼できるものにし、堅牢な不確実性評価を可能にした。
• EDDPsは強力なサイズ転送性を示し、小スケールのトレーニングデータから大規模系の正確なモデル化を可能にした。