[論文レビュー] Generating equilibrium molecules with deep neural networks

Niklas W. A. Gebauer, Michael Gastegger+1 more|arXiv (Cornell University)|Oct 26, 2018

Machine Learning in Materials Science参考文献 26被引用数 27

ひとこと要約

本稿では、回転および平行移動に対して不変な距離に基づく条件付き確率を用いて、空間に原子を逐次配置することで3次元分子平衡構造を生成する、新しい自己回帰的畳み込みニューラルネットワークを提案する。このモデルはSchNetに基づき、QM9データで学習されたもので、C₇O₂H₁₀の構造異性体を平衡状態に近く、以前に観測されていなかった構造を含めて、エネルギー緩和後に低いRMSDを達成して効果的に生成した。

ABSTRACT

Discovery of atomistic systems with desirable properties is a major challenge in chemistry and material science. Here we introduce a novel, autoregressive, convolutional deep neural network architecture that generates molecular equilibrium structures by sequentially placing atoms in three-dimensional space. The model estimates the joint probability over molecular configurations with tractable conditional probabilities which only depend on distances between atoms and their nuclear charges. It combines concepts from state-of-the-art atomistic neural networks with auto-regressive generative models for images and speech. We demonstrate that the architecture is capable of generating molecules close to equilibrium for constitutional isomers of C$_7$O$_2$H$_{10}$.

研究の動機と目的

• 高スループットな分子探索を目的とした、3次元空間における安定で平衡状態の分子構造を生成する課題に取り組む。
• 空間的・幾何的情報を無視するSMILESやグラフベースの表現の限界を克服する。
• 物理的不変性（回転・平行移動）を保ちながら、3次元空間における原子位置を直接出力する生成モデルを開発する。
• 学習データやテストデータに存在しない、新たな安定な分子異性体を直接3次元生成によって発見可能にする。
• 分子生成と性質予測を統合的に統合した、エンドツーエンド微分可能なフレームワークを実現する。

提案手法

• 分子構造の連合確率分布を、p(R|Z) = ∏ᵢ p(rᵢ₊₁|r₁,…,rᵢ, Z₁,…,Zᵢ₊₁) として、分解可能に定式化する。
• 各条件付き確率を、原子位置と原子番号を連続的かつ回転・平行移動不変な表現でエンコードする、SchNetに基づく深層畳み込みニューラルネットワークでモデル化する。
• 入力特徴量として原子間距離と原子番号を用いることで、分子変換に対して不変性を確保する。
• 以前に配置された原子に基づいて、逐次的に1つの原子位置を生成する自己回帰的学習手法を採用する。
• 同じモデルが予測するポテンシャルエネルギーを用いて、生成された候補の順位付けと選別を実施する。
• 生成構造の平衡安定性を検証するため、ORCAを用いてDFT（PBE/def2-SVPレベル）による幾何最適化を実施する。

実験結果

リサーチクエスチョン

• RQ1 深層生成モデルは、量子力学的平衡構造に近い幾何学的配置を持つ3次元分子構造を生成できるか？
• RQ2 このようなモデルは、学習時およびテスト時において観測されていなかった構造異性体へどの程度一般化できるか？
• RQ3 エネルギー緩和の前後において、生成された分子が結合価則と化学的安定性をどの程度保持しているか？
• RQ4 モデルの内部で予測されたエネルギーは、高品質な分子候補の選別を的確にガイドできるか？
• RQ5 1つのエンドツーエンド微分可能なアーキテクチャで、分子生成と性質予測を統合することは可能か？

主な発見

• モデルはC₇O₂H₁₀の候補分子を20個生成し、予測ポテンシャルエネルギーが最小のものを選別したが、そのうち15個がエネルギー緩和後に有効な異性体であった。
• 有効な15個の異性体のうち、5個は学習データに一致し、8個はテストデータに一致し、2個はQM9や学習セットに存在しない完全に新しい構造であった。
• DFT緩和後の原子位置の平均二乗偏差（RMSD）は、全原子で0.36 Å、重原子で0.20 Åであり、すべての有効な異性体で安定であった。
• 失敗した試行のRMSDは全原子で0.63 Åと高く、有効な異性体と比べて顕著に高く、結合価チェックによる構造的不安定性が検出可能であった。
• 生成された分子は緩和後にほとんど構造的変化を示し、最も顕著な変化はO–H結合の向きのずれであった。これは、平衡に近い状態に近いことを確認した。
• モデルは未観測の異性体への一般化を示し、3次元空間における新たな安定分子構造の発見可能性を裏付けた。