[論文レビュー] Evaluation of the MACE Force Field Architecture: from Medicinal Chemistry to Materials Science

Dávid Péter Kovács, Ilyes Batatia+2 more|arXiv (Cornell University)|May 23, 2023

Machine Learning in Materials ScienceMaterials Science被引用数 3

ひとこと要約

この論文は、MACE機械学習力場アーキテクチャの性能を評価し、小規模な有機分子や液体水、アモルファス炭素、大規模バイオ分子にまで及ぶ多様な化学的・材料的系において、最小限のトレーニングデータ（最小50配置）で高いエネルギー・力・振動スペクトル予測精度を達成し、反復的チューニングを必要とせずに、最先端の性能を示している。

ABSTRACT

The MACE architecture represents the state of the art in the field of machine learning force fields for a variety of in-domain, extrapolation and low-data regime tasks. In this paper, we further evaluate MACE by fitting models for published benchmark datasets. We show that MACE generally outperforms alternatives for a wide range of systems from amorphous carbon, universal materials modelling, and general small molecule organic chemistry to large molecules and liquid water. We demonstrate the capabilities of the model on tasks ranging from constrained geometry optimisation to molecular dynamics simulations and find excellent performance across all tested domains. We show that MACE is very data efficient, and can reproduce experimental molecular vibrational spectra when trained on as few as 50 randomly selected reference configurations. We further demonstrate that the strictly local atom-centered model is sufficient for such tasks even in the case of large molecules and weakly interacting molecular assemblies.

研究の動機と目的

• MACEアーキテクチャの広範な化学的・材料科学的系における性能を評価すること。
• 最小限の基準配置で正確なモデルをトレーニングする際のデータ効率性を評価すること。
• 弱い相互作用を示す系や凝縮相を含む多様な化学的環境への一般化能力を調査すること。
• QM9、ANI-1x、COMP6などのベンチマークデータセット上で、モデルの転送可能性および外挿能力をテストすること。
• グローバルなモデル修正なしに、長距離および多数体効果を捉えるために、ローカルで原子中心の設計がどのように有効であるかを示すこと。

提案手法

• 局所的な原子環境を記述するために、球面調和多項式に基づく多体等長メッセージパッシングフレームワークを採用する。
• 複数層（S）と体秩序特徴を備えた階層的メッセージパッシングアーキテクチャを用いて、高次体秩序相互作用を捉える。
• 局所的な原子近傍を定義するために、カットオフ半径（r_cut）を持つ学習可能なラジアル基底関数を適用する。
• トレーニング中に収束性と一般化性能を向上させるために、損失スケジューラーを用いる。
• 大規模分子系における局所性と精度のバランスを図るため、1層あたり5 Åのカットオフを有する2層構造のMACEモデルを採用する。
• QM9、ANI-1x、COMP6、M3GNet、水および凝縮相系を含む、公表済みのベンチマークデータセットを用いてモデルをトレーニングする。

実験結果

リサーチクエスチョン

• RQ1 MACEは、小分子、バイオ分子、凝縮相を含む多様な化学系で、最先端の精度を達成できるか？
• RQ2 MACEのデータ要件はどの程度効率的か、特に50配置程度のデータでトレーニングした場合にどうか？
• RQ3 MACEのローカルで原子中心の設計は、大規模系における長距離および弱い分子間相互作用をどの程度正確に捉えられるか？
• RQ4 MACEは、反復的チューニングなしに、最小限のトレーニングデータで実験的振動スペクトルを正確に再現できるか？
• RQ5 MACEは、先行モデルと比較して、外挿能力、転送可能性、およびユニバーサル力場ベンチマークでの性能において優れているか？

主な発見

• MACEは、COMP6ベンチマークにおいて、エネルギーおよび力の予測精度で先行する最先端モデルを5～7倍上回った。
• エタノールのランダムな50個のコンフォーマントのみでトレーニングされたMACEモデルは、反復的トレーニングを経ずに、カップルド・クラスター水準の振動スペクトルを正確に再現した。
• 液体水のNVTおよびNPT分子動力学シミュレーションにおいて、MACEは熱力学的および運動論的性質を正確に記述した。
• M3GNetデータセットにおいて、MACEは多様な材料で高い精度と転送可能性を達成し、ユニバーサル力場の応用を可能にした。
• QM9ベンチマークにおいて、MACEは複数のターゲットで優れた性能を示し、力場フィッティングのタスクを超えた強力な一般化能力を示した。
• 高次体秩序特徴を備えたローカルで原子中心のアーキテクチャは、カーネルベースおよび低次体秩序モデルを上回る外挿能力とデータ効率性を実現した。