[論文レビュー] Global Optimization of Atomic Clusters via Physically-Constrained Tensor Train Decomposition

Konstantin Sozykin, Nikita Rybin+6 more|arXiv (Cornell University)|Jan 26, 2026

Machine Learning in Materials Science被引用数 0

ひとこと要約

この論文は、低ランクテンソル表現を利用したポテンシャルエネルギー面を活用して、TTOpt（代数的）とPROTES（確率的）戦略を組み合わせ、原子クラスターをグローバルに最適化するフレームワークを提案する。物理的に制約されたエンコーディングを用いる。

ABSTRACT

The global optimization of atomic clusters represents a fundamental challenge in computational chemistry and materials science due to the exponential growth of local minima with system size (i.e., the curse of dimensionality). We introduce a novel framework that overcomes this limitation by exploiting the low-rank structure of potential energy surfaces through Tensor Train (TT) decomposition. Our approach combines two complementary TT-based strategies: the algebraic TTOpt method, which utilizes maximum volume sampling, and the probabilistic PROTES method, which employs generative sampling. A key innovation is the development of physically-constrained encoding schemes that incorporate molecular constraints directly into the discretization process. We demonstrate the efficacy of our method by identifying global minima of Lennard-Jones clusters containing up to 45 atoms. Furthermore, we establish its practical applicability to real-world systems by optimizing 20-atom carbon clusters using a machine-learned Moment Tensor Potential, achieving geometries consistent with quantum-accurate simulations. This work establishes TT-decomposition as a powerful tool for molecular structure prediction and provides a general framework adaptable to a wide range of high-dimensional optimization problems in computational material science.

研究の動機と目的

• エネルギー地形に指数関数的に多くの局所極小を持つ原子クラスターのグローバル最適化を動機づけ、取り組む。
• エネルギー面を低ランクのテンソルとして表現し、次元の呪いを緩和する TT ベースのフレームワークを導入する。
• 分子制約を組み込むための物理的に制約されたエンコーディング手法を開発する。
• 代数的および確率的な TT ベースの最適化手法を組み合わせて近似的なグローバル極小を特定する。
• Lennard-Jones クラスター（最大45原子）と機械学習ポテンシャルを用いた炭素クラスターでの有効性を示す。）

提案手法

• クラスターエネルギー E(x) を離散化された格子上で d 次元テンソル E として TT 形式で表現し、低ランクの格納と演算を可能にする。
• TTOpt（最大容積ベースの代数的最適化）と PROTES（TTベースの密度推定による確率的サンプリング）の2つのTTベース最適化戦略を用いる。
• TTOpt はテンソルの展開を処理し、最大容積を持つ部分行列を反復的に選択して近傍グローバル極小を特定し、適応ランクの可能性がある。
• PROTES は TT 分解された確率分布 p_theta(n) を、二乗された TT テンソルに比例させて候補構成をサンプリングし、エネルギー上位 k の候補を用いて SGD によって TT コアを更新する。
• 粒子座標を複数の離散化方式（Direct、Relative、Bit Encoding）でエンコードして、並進・回転不変性と物理的間隔制約を組み込む。
• PROTESと複数のエンコーディング方式を用いた物理的に制約された初期化を採用し、現実的で重ならない配置を保証する。）

実験結果

リサーチクエスチョン

• RQ1 テンソル・トレイン表現は、原子クラスターの高次元ポテンシャルエネルギー面の低ランク構造を捉えることができるか？
• RQ2 TTOpt と PROTES は、険しいエネルギー地形でのグローバル最適化に対して相補的な強みを提供するか？
• RQ3 物理的に制約されたエンコーディングスキームは、TT ベースの最適化における探索効率と解の品質にどう影響するか？
• RQ4 このフレームワークは、Lennard-Jones クラスター（最大45原子）および機械学習ポテンシャルでモデル化された炭素クラスターに対して有効か？
• RQ5 TTベースの minima の精度は、量子精度のシミュレーションや高忠実度ポテンシャルに対してどれくらいか？

主な発見

• 提案された TT ベースのフレームワークを用いて、最大45原子の Lennard-Jones クラスターのグローバル極小を同定した。
• 機械学習による Moment Tensor Potential を用いると、20原子の炭素クラスターの幾何が量子精度のシミュレーションと一致することを得た。
• 代数的 TTOpt と確率的 PROTES の組み合わせは、低ランク構造と情報幾何を利用して高次元最適化に取り組む。
• 物理的に制約されたエンコーディングは、探索空間を効果的に削減し、適切な原子間距離と角度配置を強制する。
• TT 分解は、計算材料科学における高次元最適化問題の効率的な格納と計算を可能にする。