[論文レビュー] Efficient accurate scalable and transferable quantum machine learning with am-ons

Bing Huang, O. Anatole von Lilienfeld|arXiv (Cornell University)|Jul 13, 2017

Machine Learning in Materials Science参考文献 2被引用数 6

ひとこと要約

本論文は、化学的に意味のある断片（amons）を用いて、多様な系にわたる量子性質をモデル化するスケーラブルで転送可能なフレームワーク、AML（atoms-in-molecules-based quantum machine learning）を紹介する。amonsとアクティブラーニングを組み合わせることで、分子、2次元材料、バイオ分子においてエネルギー、力、NMRシフト、極効率を高い精度で予測可能となり、周期表の概念を局所的な化学的環境へと拡張する。

ABSTRACT

First principles based exploration of chemical space deepens our understanding of chemistry, and might help with the design of new materials or experiments. Due to the computational cost of quantum chemistry methods and the immens number of theoretically possible stable compounds comprehensive in-silico screening remains prohibitive. To overcome this challenge, we combine atoms-in-molecules based fragments, dubbed amons (A), with active learning in transferable quantum machine learning (ML) models. The efficiency, accuracy, scalability, and transferability of resulting AML models is demonstrated for important molecular quantum properties, such as energies, forces, atomic charges NMR shifts, polarizabilities, and for systems ranging from organic molecules over 2D materials and water clusters to Watson-Crick DNA base-pairs and even ubiquitin. Conceptually, the AML approach extends Mendeleev's table to effectively account for chemical environments, which allows the systematic reconstruction of many chemistries from local building blocks.

研究の動機と目的

• 化学空間の包括的インシリコスクリーニングを実施するための第一原理的量子化学的手法の計算コストが高すぎるという問題を克服すること。
• 有機分子からバイオ分子、2次元材料に至るまで、多様な化学的系にわたり、正確に多様な量子性質をモデル化するという課題に対処すること。
• 化学的環境や化合物タイプを網羅的に一般化できるスケーラブルで転送可能な機械学習フレームワークを開発すること。
• 複雑な化学を、局所的で化学的に意味のある構築ブロック（amons）から体系的に再構築することで、モデルの解釈可能性と転送性を向上させること。

提案手法

• 量子化学的解析から導かれる原子-分子断片（amons）を定義し、局所的化学的環境を捉える。
• amonsを機械学習モデルの局所的記述子として用い、化学的に解釈可能な方法で分子構造を表現する。
• amonsに基づく表現を用いて、多様な化学的系に一般化可能な転送可能な量子機械学習モデルを訓練する。
• 反復的に情報量の多い構成を訓練用に選択するため、アクティブラーニングを適用し、データ効率を向上させる。
• エネルギー、力、NMRシフト、極効率といった量子力学的性質を目的変数として、有機分子、2次元材料、水クラスター、DNA塩基対、ユビキチンを含む広範な系でモデルを訓練する。
• amonsの局所的性質を活用することで、異なる化学的環境や化合物タイプにわたるスケーラビリティと転送性を実現する。

実験結果

リサーチクエスチョン

• RQ1 amonsは、スケーラブルで転送可能な量子機械学習モデルを構築するための効果的で化学的に意味のある局所的構築ブロックとして機能できるか？
• RQ2 AMLモデルは、構造的・化学的に多様な系にわたって、エネルギー、力、NMRシフト、極効率といった多様な量子性質を、高い精度で予測できるか、その範囲はどの程度か？
• RQ3 amonsに基づく表現とアクティブラーニングを統合することで、量子機械学習におけるデータ効率とモデル性能がどの程度向上するか？
• RQ4 AMLフレームワークは、局所的断片から体系的に複雑な化学を再構築でき、周期表の概念を化学的環境へと効果的に拡張できるか？
• RQ5 AMLモデルは、小規模な有機分子からバイオ分子、2次元材料に至るまで、異なる化学的空間間でどの程度転送可能か？

主な発見

• AMLフレームワークは、多様な系においてエネルギー、力、NMRシフト、極効率といった量子力学的性質を高い精度で予測する。
• AMLモデルは強力な転送性を示し、未観測の化学的環境や化合物タイプに対しても信頼性の高い予測が可能である。
• amonsを局所的記述子として用いることで、化学的に意味のある断片から複雑な化学を体系的に再構築できる。
• アクティブラーニングはデータ効率を顕著に向上させ、高レベルの量子化学計算に必要な数を削減する。
• 本手法は、2次元材料やユビキチンのようなバイオ分子を含む大規模で複雑な系に対しても、効果的にスケーリング可能である。
• AMLは、局所的なamonsに基づく表現を通じて化学的環境効果を組み込むことで、周期表の概念的枠組みを拡張する。