[論文レビュー] Efficient prediction of 3D electron densities using machine learning

Mihail Bogojeski, Felix Brockherde+5 more|arXiv (Cornell University)|Nov 15, 2018

Machine Learning in Materials Science参考文献 24被引用数 12

ひとこと要約

本論文では、密度汎関数理論における計算コストの高いKohn-Sham方程式を回避する機械学習的手法を提示する。外部ポテンシャルから電子密度へのHohenberg-Kohn写像をカーネルリッジ回帰を用いて学習することで、DFT水準の精度で3次元電子密度と全エネルギーを、コストの僅か数パーセントで予測可能となる。この手法により、力の計算を一切行わず密度に基づく予測のみで安定した分子動力学シミュレーションが可能となり、従来のDFTに比べ最大99%の高速化を達成した。

ABSTRACT

The Kohn-Sham scheme of density functional theory is one of the most widely used methods to solve electronic structure problems for a vast variety of atomistic systems across different scientific fields. While the method is fast relative to other first principles methods and widely successful, the computational time needed is still not negligible, making it difficult to perform calculations for very large systems or over long time-scales. In this submission, we revisit a machine learning model capable of learning the electron density and the corresponding energy functional based on a set of training examples. It allows us to bypass solving the Kohn-Sham equations, providing a significant decrease in computation time. We specifically focus on the machine learning formulation of the Hohenberg-Kohn map and its decomposability. We give results and discuss challenges, limits and future directions.

研究の動機と目的

• 密度汎関数理論におけるKohn-Sham方程式を解かずに3次元電子密度と全エネルギーを予測する機械学習モデルの開発。
• 従来のDFTの高い計算コストに対処し、反復的SCF手順を訓練済みの機械学習モデルに置き換える。
• 予測された電子密度とエネルギー汎関数のみを用いて、高速かつ高精度な分子動力学シミュレーションを実現する。
• 機械学習を用いてHohenberg-Kohn写像とその分解可能な構造を学習し、スケーラブルな電子構造予測の可能性を検討する。

提案手法

• Hohenberg-Kohn写像はカーネルリッジ回帰（KRR）を用いて学習され、1体ポテンシャルv(r)から電子密度n(r)への写像が実現される。
• 電子密度は基底関数展開で表現され、各基底係数は独立にKRRで予測され、分解可能な学習が可能となる。
• 別個のKRRモデルが予測された密度から全エネルギーへのエネルギー汎関数を学習し、力の予測を避ける分子動力学を可能にする。
• 原子核を中心としたガウス型関数に基づく対称性に配慮した記述子を用いて、分子の幾何構造を符号化する。
• 小分子のDFT計算による電子密度とエネルギーのデータセットを用いて学習を行い、基準計算にはQuantum ESPRESSOを用いる。
• 予測されたエネルギー面から得られる力に基づいて分子動力学軌道を生成することで、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 Kohn-Sham方程式を解かずに外部ポテンシャルから3次元電子密度を正確に予測できるか？
• RQ2 基底係数予測の分解可能構造は、電子密度モデルの効率性とスケーラビリティをどのように向上させるか？
• RQ3 予測された電子密度とエネルギー汎関数は、どの程度安定した分子動力学シミュレーションを可能にするか？
• RQ4 ML-HK写像は、異なる分子コンformationに一般化可能であり、対称性関連の課題に対しても頑健であるか？
• RQ5 現在のモデルは、分子系における回転対称性および鏡映対称性の取り扱いにどのような限界を示すか？

主な発見

• ML-HK写像は、従来のDFTに比べ計算時間を99%削減しながらも、電子密度とエネルギー予測においてDFT水準の精度を維持した。
• 予測されたエネルギーのみを用いて300 Kでのマロンアルデヒドの安定した分子動力学軌道を生成したが、最大絶対エネルギー誤差は5.7 kcal/molであった。
• 独立したKRRモデルによる基底係数の分解化は、トレーニング効率とモデルの解釈可能性を顕著に向上させた。
• モデルは、力の予測を避けることで、エネルギー密度写像のみを用いた力フリーな分子動力学の実現可能性を示した。
• 異なる分子コンフォーメアに対しては頑健に機能したが、回転および鏡映対称性の不一致に起因する不完全なアライメントの影響を受ける場合があった。
• フレームワークは柔軟かつ拡張可能であり、エネルギー写像を力写像に置き換えることで、さらなるMD精度向上が可能である。