[論文レビュー] Learned Force Fields Are Ready For Ground State Catalyst Discovery

Michael Schaarschmidt, Morgane Rivière+7 more|arXiv (Cornell University)|Sep 26, 2022

Machine Learning in Materials Science被引用数 15

ひとこと要約

この論文は、DFTデータで学習された機械学習力場（ML-FF）が、顕著な力の予測誤差があるにもかかわらず、触媒のより低いもしくは同等の基底状態エネルギーを特定する点で、従来のDFT緩和を上回ることを示している。高精度な力の予測がなくても、ML-FFと単純な「イージーポテンシャル」（DFT最小エネルギー点まわりの調和近似）は正しいエネルギー最小点を特定でき、構造最適化を100倍速く行える。これは、学習済み力場が大規模な触媒探索にすでに適していることを示している。

ABSTRACT

We present evidence that learned density functional theory (``DFT'') force fields are ready for ground state catalyst discovery. Our key finding is that relaxation using forces from a learned potential yields structures with similar or lower energy to those relaxed using the RPBE functional in over 50\% of evaluated systems, despite the fact that the predicted forces differ significantly from the ground truth. This has the surprising implication that learned potentials may be ready for replacing DFT in challenging catalytic systems such as those found in the Open Catalyst 2020 dataset. Furthermore, we show that a force field trained on a locally harmonic energy surface with the same minima as a target DFT energy is also able to find lower or similar energy structures in over 50\% of cases. This ``Easy Potential'' converges in fewer steps than a standard model trained on true energies and forces, which further accelerates calculations. Its success illustrates a key point: learned potentials can locate energy minima even when the model has high force errors. The main requirement for structure optimisation is simply that the learned potential has the correct minima. Since learned potentials are fast and scale linearly with system size, our results open the possibility of quickly finding ground states for large systems.

研究の動機と目的

• 機械学習力場（ML-FF）が、特に学習分布外の状況においても、触媒材料の基底状態構造を信頼性を持って特定できるかどうかを評価すること。
• 力場の性能が正確な力の予測に依存するのか、それとも正しいエネルギー最小点の特定にのみ依存するのかを調査すること。
• 構造最適化の加速に向けた簡素化モデル（例：調和近似）の実用可能性を評価すること。
• エネルギー、収束速度、安定性の観点から、ML-FFおよびハイブリッド手法（例：イージーポテンシャル＋DFT）を標準DFT緩和と比較すること。
• 従来のDFTベースの最適化ワークフローを置き換えたり加速することで、より速くスケーラブルな触媒探索を可能にすること。

提案手法

• アトムグラフ上でメッセージパッシングニューラルネットワークを用いて、Open Catalyst 2020（OC20）データセットのDFTエネルギーと力のデータをもとにML-FFを学習した。
• JAXを用いてJITコンパイルと動的グラフパディングを活用し、最適化中に変化する原子間距離に対応する構造緩和を実装した。
• 既知の最小エネルギー点の周囲でDFTエネルギーを調和関数として近似する「イージーポテンシャル」（EP）モデルを設計した。EPは全力の情報ではなく、局所的なエネルギー曲率のみを学習に用いた。
• AdamW最適化アルゴリズムを用い、原子ごとの力の予測値を勾配として扱い、各位置更新後に最近傍探索により再計算されたグラフエッジを用いた。
• DFT計算にはQuantum EspressoとVASPを併用し、OC20ベンチマーク設定と整合性を保った。
• EPとML-FFを組み合わせた二段階緩和法を採用：まずEPで最適化し、次にML-FFで精練し、最後にDFTで検証した。

実験結果

リサーチクエスチョン

• RQ1 学習済み力場は、分布外の触媒系に適用した場合、顕著な力の予測誤差があるにもかかわらず、DFTと同等またはより低い基底状態エネルギーを達成できるか？
• RQ2 学習済み力場の成功は、正確な力の予測に依存するのか、それとも正しいエネルギー最小点の特定に十分であるのか？
• RQ3 局所最小点でのみ学習する簡素化された調和近似（イージーポテンシャル）が、標準ML-FFを上回る構造最適化性能を示せるか？
• RQ4 ハイブリッド手法（例：EPに続くDFT）は、DFTステップ数をどれだけ削減できるか。また、最終的な構造安定性は向上するか？
• RQ5 実際の触媒系において、ML-FFの収束速度とエネルギー精度は、従来のDFT緩和と比べてどの程度異なるか？

主な発見

• 分布外ケースの50％以上で、ML-FF緩和はVASP-RPBE DFT緩和と同等またはより低いエネルギーの構造を生成したが、顕著な力の予測誤差が存在した。
• イージーポテンシャル（DFT最小点まわりの調和近似）は、標準ML-FFよりも少ないステップで収束し、50％以上のケースで同等またはより低いエネルギーの構造を特定した。
• EPに続くDFTを用いたハイブリッド緩和により、必要なDFTステップ数が半減した。また、88％のケースで同等またはより高い安定性の構造が得られた。
• DFTのみの緩和と比較して、ハイブリッド最適化構造の平均エネルギー改善は0.46 eVに達し、触媒安定性予測において顕著な向上が得られた。
• ML-FF緩和の中央値収束時間は1分未満であり、従来のDFTコードと比べて2桁以上速く、大規模系の迅速スクリーニングが可能になった。
• 最小エネルギー点でないDFTデータで学習した場合でも、ML-FFは一貫して正しいエネルギー最小点を特定できた。これは、最適化成功の鍵が力の正確さよりも最小点の特定にあることを示唆している。