[論文レビュー] Efficient hybrid density functional calculation by deep learning

Zechen Tang, He Li+8 more|arXiv (Cornell University)|Feb 16, 2023

Machine Learning in Materials ScienceMaterials Science被引用数 3

ひとこと要約

本稿では、小規模な自己無撞着フォールド計算からハイブリッド関数的ハミルトニアンを学習することができる深層等長性ニューラルネットワーク手法DeepH-hybridを紹介する。この手法により、大規模系における効率的で高精度な電子構造シミュレーションが可能になる。本手法は、従来のDFTと比較して数個のオーダーの高速化を達成しながらも、高精度を維持しており、11,164原子を有する魔法の角度でねじれた二層グラフェンのHSEバンド構造を予測する実験により、正確交換効果のおかげでフラットバンド幅が10倍に増加することが明らかになった。

ABSTRACT

Hybrid density functional calculation is indispensable to accurate description of electronic structure, whereas the formidable computational cost restricts its broad application. Here we develop a deep equivariant neural network method (named DeepH-hybrid) to learn the hybrid-functional Hamiltonian from self-consistent field calculations of small structures, and apply the trained neural networks for efficient electronic-structure calculation by passing the self-consistent iterations. The method is systematically checked to show high efficiency and accuracy, making the study of large-scale materials with hybrid-functional accuracy feasible. As an important application, the DeepH-hybrid method is applied to study large-supercell Moiré twisted materials, offering the first case study on how the inclusion of exact exchange affects flat bands in the magic-angle twisted bilayer graphene.

研究の動機と目的

• 大規模材料シミュレーションにおけるハイブリッド密度汎関数理論（DFT）の高い計算コストを克服すること。
• 一般化されたコーン＝シャム枠組み内での局所的および準局所的汎関数にとどまらず、非局所的ハイブリッド汎関数へと深層学習に基づく電子構造手法（DeepH）を拡張すること。
• 特にバンド構造やバンドギャップといった電子的性質を、ねじれた二層グラフェンのような複雑なスーパーセル構造に対して、ハイブリッド汎関数を用いて効率的かつ高精度に予測すること。
• 魔法の角度でねじれた二層グラフェン（MATBG）におけるフラットバンド物理学に正確交換効果が与える影響を大規模スケールで調査すること。
• 学習済みハミルトニアンの一般化能力および移行可能性を、さまざまなねじれ角度や原子配置に対して検証すること。

提案手法

• 小規模な参照系からの自己無撞着フォールドデータを用いて、原子構造の関数としてハイブリッド関数的Kohn-Shamハミルトニアン $ H_{\text{DFT}}^{\text{hyb}} $ を予測する、E(3)等長性の深層ニューラルネットワークを訓練する。
• 局在化した原子基底セットにおける近視的性質を活用することで、学習されたニューラルネットワークパラメータを介して非局所的交換相関効果を効果的に表現する。
• 訓練されたモデルは、反復的自己無撞着フォールド（SCF）手順を回避し、直接ハミルトニアンを出力することで、標準DFTと比較して計算コストを著しく削減する。
• まず、ランダムに選ばれた面内シフトおよび層間距離を用いて、ねじれのない二層グラフェンの摂動系を用いてモデルを訓練し、多様なスタッキング構造を模倣する。
• データ拡張およびアーキテクチャの不変性を活用することで、さまざまなねじれ角度（例：21.79°、13.17°、9.43°）および大規模スーパセル（最大11,164原子）を有するねじれた二層グラフェン（TBG）への一般化を達成する。
• 予測されたバンド構造およびフェルミ速度を参照DFT計算と比較することで、精度と効率に関する定量的指標を報告し、手法の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 一般化されたKohn-Sham枠組み内において、深層学習がハイブリッド汎関数内の非局所的交換ポテンシャルを効果的に表現できるか。
• RQ2 小規模で単純な系で訓練された深層ニューラルネットワークが、10,000原子を超えるような大規模で複雑なスーパーセル構造、たとえばねじれた二層グラフェンへと一般化できる範囲はどの程度か。
• RQ3 HSE汎関数による正確交換の導入が、PBE汎関数と比較して魔法の角度でねじれた二層グラフェンにおけるフラットバンド特性に与える影響は何か。
• RQ4 大規模ハイブリッド関数的計算において、DeepH-hybrid手法は従来のDFTと比較してどの程度の計算効率の向上を達成できるか。
• RQ5 アビ・イニツィオの精度を保ちながら、コストの僅か数分の１でバンドギャップやフェルミ速度といった電子的性質を高精度に予測できるか。

主な発見

• DeepH-hybridは、従来のDFTと比較して、系のサイズに応じたスケーリングが低くなるという点で、計算コストを数個のオーダー減少させる。
• 複数のねじれ角度において、ねじれた二層グラフェンのバンド構造を、参照DFT結果と非常に良好に一致する高精度で予測している。
• 魔法の角度でねじれた二層グラフェン（11,164原子）において、HSEを用いた正確交換の導入により、フラットバンド幅がPBEの4.1 meVから41.1 meVに増加し、フラットネスが著しく低下することが示された。
• フェルミ速度はPBEの0.9 m/sからHSEの36.2 m/sに増加し、正確交換のおかげで電子的ダイナミクスに質的変化が生じていることが示唆された。
• ねじれのない二層グラフェンからさまざまなねじれスーパーセル構造へと一般化に成功し、構造的変動やスタッキング構造の変化に対しても頑健であることが示された。
• DeepH-hybridは、モアレねじれ材料におけるハイブリッド関数的電子構造の最初の大規模な研究を可能にし、複雑な相関系の高精度で効率的なシミュレーションへの道を開いた。