[論文レビュー] Extracting ice phases from liquid water: why a machine-learning water model generalizes so well

Bartomeu Monserrat, Jan Gerit Brandenburg+2 more|arXiv (Cornell University)|Jun 23, 2020

Gaussian Processes and Bayesian Inference被引用数 5

ひとこと要約

本研究では、53種類の多様な氷相（すべての既知の結晶性形態を含む）の局所的原子環境が液体水中に構造的に存在することを示しており、これにより液体水中でのみトレーニングされた機械学習ポテンシャルが、格子エネルギー、密度、振動スペクトルなどの氷の性質を正確に予測可能である。主な洞察は、液体水中の構成的多様性が氷の主要な構造モチーフを捉えていることであり、これが水モデルが相を越えて極めて優れた一般化性能を示す理由を説明している。

ABSTRACT

We investigate the structural similarities between liquid water and 53 ices, including 20 knowncrystalline phases. We base such similarity comparison on the local environments that consist of atoms within a certain cutoff radius of a central atom. We reveal that liquid water explores the localenvironments of the diverse ice phases, by directly comparing the environments in these phases using general atomic descriptors, and also by demonstrating that a machine-learning potential trained on liquid water alone can predict the densities, the lattice energies, and vibrational properties of theices. The finding that the local environments characterising the different ice phases are found in water sheds light on water phase behaviors, and rationalizes the transferability of water models between different phases.

研究の動機と目的

• 水の相図にわたる液体水中と多様な氷相の構造的関係を調査すること。
• 長距離秩序が欠如する液体水中に、氷相の局所的原子環境が存在するかどうかを検証すること。
• 液体水中でのみトレーニングされた機械学習ポテンシャルが、すべての氷相の性質を一般化して予測できるかどうかを検証すること。
• 水モデルが水の異なる相を越えてなぜ驚くほど一般化性能を示すのかを説明すること。

提案手法

• 15,859の仮想構造を用いた一般化凸包構築法により、53種類の代表的氷相（すべての既知の結晶性形態を含む）の体系的なデータセットを構築した。
• 一般化原子記述子（ASAP）を用いて、すべての相における局所的原子環境を比較し、構造的類似度を定量化した。
• 1,000個の構造的に多様な64分子の液体水中構造に限定してトレーニングした機械学習ポテンシャル（MLP）を構築した。
• 有限変位法を用いて、格子エネルギー、密度、フォノン状態密度を計算することで、MLPの予測性能を氷相に対して評価した。
• 幾何最適化およびフォノン計算は、VASPおよびcp2kの両方でDFT（revPBE0-D3）を用い、相互検証のための一貫性のある設定を採用した。
• プロトン障害によるフォノンスペクトルの不安定性を解消するため、超格子を生成し再最適化を行った。特に、計算コストが許容可能なMLP計算においては、このステップを実施した。

実験結果

リサーチクエスチョン

• RQ1 多様な氷相に見られる局所的原子環境は、長距離秩序が欠如する液体水中にも存在するか？
• RQ2 液体水中でのみトレーニングされた機械学習ポテンシャルは、氷相の熱力学的および振動的性質を正確に予測できるか？
• RQ3 なぜ液体水中でトレーニングされた水モデルが、水の異なる相を越えて非常にうまく一般化されるのか？
• RQ4 液体水中の構成的多様性は、結晶性氷の構造的モチーフをどの程度カバーしているか？

主な発見

• 一般化原子記述子を用いた直接比較により、53種類すべての氷相の局所的原子環境が液体水中に構造的に存在することが確認された。
• 液体水中でのみトレーニングされた機械学習ポテンシャルは、氷相の格子エネルギーを分子あたり0.01 eV未満の平均絶対誤差で再現した。
• MLPは、0.7〜1.4 g/mLの全密度範囲にわたり、密度を0.02 g/mL未満の平均絶対誤差で予測し、高い精度を示した。
• MLPで計算されたフォノン状態密度は、元の構造および超格子構造の両方でDFT結果と優れた一致を示した。特に、プロトン障害を考慮した超格子の再最適化後に顕著な改善が見られた。
• 一部の氷相についてDFT計算で見られる虚数フォノンは、単位胞における人工的な対称性制約に起因すると考えられ、超格子の再最適化により解消された。このステップは、計算コストのためMLPにのみ実行可能であった。
• 液体水中と氷相との構造的類似性が、水モデルが相を越えて一般化できる理由を説明しており、液体水中でトレーニングされたモデルが氷相でも良好に機能する理由を裏付けた。