[論文レビュー] Learning Atomic Multipoles: Prediction of the Electrostatic Potential with Equivariant Graph Neural Networks

Moritz Thürlemann, Lennard Böselt+1 more|arXiv (Cornell University)|Oct 11, 2021

Machine Learning in Materials Science参考文献 83被引用数 47

ひとこと要約

本論文は、分子の幾何学から四極モーメントまでの原子的多極モーメントを予測する等長性グラフニューラルネットワーク（GNN）を導入し、高価な量子力学的計算を伴わずに高精度な電気双極モーメント（ESP）予測を可能にする。モデルは設計上回転対称性を強制しており、DFTの基準値に近いESPの精度を達成すると同時に、QM手法と比較して計算コストを桁違いに低減する。

ABSTRACT

The accurate description of electrostatic interactions remains a challenging problem for fitted potential-energy functions. The commonly used fixed partial-charge approximation fails to reproduce the electrostatic potential at short range due to its insensitivity to conformational changes and anisotropic effects. At the same time, possibly more accurate machine-learned (ML) potentials struggle with the long-range behaviour due to their inherent locality ansatz. Employing a multipole expansion offers in principle an exact treatment of the electrostatic potential such that the long-range and short-range electrostatic interaction can be treated simultaneously with high accuracy. However, such an expansion requires the calculation of the electron density using computationally expensive quantum-mechanical (QM) methods. Here, we introduce an equivariant graph neural network (GNN) to address this issue. The proposed model predicts atomic multipoles up to the quadrupole, circumventing the need of expensive QM computations. By using an equivariant architecture, the model enforces the correct symmetry by design without relying on local reference frames. The GNN reproduces the electrostatic potential of various systems with high fidelity. Possible use cases for such an approach include the separate treatment of long-range interactions in ML potentials, the analysis of electrostatic potential surfaces, and for the static multipoles in polarizable force fields.

研究の動機と目的

• 古典的力場における固定電荷近似の不正確さ、特に異方的かつコンformation依存の電気的効果を捉えられない点を是正すること。
• 局所的な機械学習ポテンシャルの長距離精度の限界を克服し、高次多極モーメントの明示的取り扱いを可能にすること。
• 多極モーメントの高価な量子力学的計算を、微分可能で対称性を保つ機械学習モデルに置き換えること。
• 回転に対して等長性を保つ原子的多極モーメント（モノポールから四極モーメントまで）を予測するモデルの開発。局所的基準座標系に依存しない。
• 極性力場、ESP表面解析、機械学習ポテンシャルにおける長距離補正において、多極モーメントの実用的利用を可能にすること。

提案手法

• Satorrasらに基づくE(n)-等長性GNNアーキテクチャを用い、多極モーメント予測における回転不変性を保証する。
• ノードを原子、エッジをカットオフ半径までの原子間ベクトルと距離で記述するグラフ表現を構築する。
• 原子間ベクトルの積（ベクトルおよびテンソル積）を特徴量として用い、等長性を保つメッセージパッシング更新を実装する。
• メッセージパッシングの出力を結合し、学習可能なリードアウト層を介して原子的多極モーメント（q, μ, θ）を出力する。
• 予測値と基準MBIS由来の多極モーメントおよびESP値との差に基づく損失関数を用いて、エンドツーエンドでモデルを訓練する。
• 近隣ベクトルに基づくスパースで局所的な原子環境表現を採用し、未観測のコンformationや分子への一般化を可能にする。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、回転対称性を保持しつつ、四極モーメントまでの原子的多極モーメントを高い精度で予測できるか？
• RQ2 機械学習で予測された多極モーメントから得られるESPは、DFT由来の基準多極モーメントと同等の精度を持つのか？
• RQ3 局所的基準座標系に依存せず、未観測の分子コンformationや多様な化学的環境に一般化できるか？
• RQ4 ESPの忠実度と計算コストの観点から、固定電荷近似とQM基準計算と比較して、本モデルの性能はどの程度か？
• RQ5 本モデルは、機械学習ポテンシャルや極性力場における長距離電気的性質の改善に利用可能か？

主な発見

• DFT基準値と比較して、モノポールの平均絶対誤差は0.013 e、デュポールは0.022 D、四極モーメントは0.018 e·bohr²であった。
• 多極モーメントから予測された電気双極モーメント（ESP）は、ファンデルワールス表面でDFT基準ESPと平均絶対誤差0.0082 a.u.で一致した。
• 予測されたデュポールおよび四極モーメントを含めることで、モノポールのみの予測と比較してESP誤差が50%以上低減され、QM由来ではなく機械学習で予測された多極モーメントを用いても同様の改善が得られた。
• 推論速度はエッジ特徴計算で0.026–0.075 µs/原子、全予測で3.26–8.21 µs/原子であり、分子シミュレーションにおけるリアルタイム利用を可能にする。
• 等長性アーキテクチャにより、データ拡張や局所的基準座標系を必要とせず、正しい回転挙動を実現し、一般化性能と物理的整合性が向上した。
• 1,013,949個のコンformationからなるテストセットを用いた検証により、多様な化学空間において一貫した性能を示し、未観測のコンformationや分子への一般化が良好に達成された。