[論文レビュー] Machine learned Force-Fields for an ab-initio Quality Description of Metal-Organic Frameworks

Sandro Wieser, Egbert Zojer|arXiv (Cornell University)|Aug 2, 2023

Machine Learning in Materials ScienceMaterials Science被引用数 3

ひとこと要約

本論文は、金属有機フレームワーク（MOFs）のための、二つの非常に高精度で計算効率の良い機械学習力場——モーメントテンソルおよびカーネルベースのポテンシャル——を提示する。アビ・イニオリオ（ab initio）基準データに基づくアクティブラーニング分子動力学を用いて訓練されたこれらの力場は、力、構造パラメータ、弾性定数、フォノンバンド構造、熱伝導率において、近似DFTの精度を達成しており、古典的力場を上回りながらも高い効率性を維持している。

ABSTRACT

Metal-organic frameworks (MOFs) are an incredibly diverse group of highly porous hybrid materials, which are interesting for a wide range of possible applications. For a reliable description of many of their properties accurate computationally highly efficient methods, like force-field potentials (FFPs), are required. With the advent of machine learning approaches, it is now possible to generate such potentials with relatively little human effort. Here, we present a recipe to parametrize two fundamentally different types of exceptionally accurate and computationally highly efficient machine learned potentials, which belong to the moment-tensor and kernel-based potential families. They are parametrized relying on reference configurations generated in the course of molecular dynamics based, active learning runs and their performance is benchmarked for a representative selection of commonly studied MOFs. For both potentials, comparison to a random set of validation structures reveals close to DFT precision in predicted forces and structural parameters of all MOFs. Essentially the same applies to elastic constants and phonon band structures. Additionally, for MOF-5 the thermal conductivity is obtained with full quantitative agreement to single-crystal experiments. All this is possible while maintaining a high degree of computational efficiency, with the obtained machine learned potentials being only moderately slower than the extremely simple UFF4MOF or Dreiding force fields. The exceptional accuracy of the presented FFPs combined with their computational efficiency has the potential of lifting the computational modelling of MOFs to the next level.

研究の動機と目的

• 金属有機フレームワーク（MOFs）に対して、ab initioレベルの精度を達成しつつ計算効率を維持する機械学習力場を開発すること。
• ab initio分子動力学からの自動データ生成とアクティブラーニングを活用することで、力場パrametrizationにおける人的作業を削減すること。
• 代表的なMOFsを対象として、モーメントテンソルおよびカーネルベースの二種類の異なる機械学習ポテンシャル族の性能をベンチマークすること。
• 力、構造パラメータ、弾性定数、フォノン分散関係、熱伝導率など、多様な性質に対して力場を検証すること。
• 得られた力場が、UFF4MOF や Dreiding などの単純な古典的力場と比較してわずかに遅いにとどまり、大規模なシミュレーションを可能にすることを示すこと。

提案手法

• 機械学習力場の訓練のための高品質な基準構造を生成するために、アクティブラーニング分子動力学を用いる。
• 力とエネルギーの予測に、モーメントテンソルおよびカーネルベースの機械学習ポテンシャルを、基礎となるモデルとして使用する。
• 代表的なMOFsのab initio分子動力学シミュレーションから抽出された多様な構造を用いて、モデルを訓練する。
• 力、幾何構造、弾性定数、フォノン分散関係のテスト構造のランダムセットに対して、モデルを検証する。
• MOF-5の熱伝導率予測を、単結晶実験データと比較してベンチマークする。
• モデルアーキテクチャと推論速度の最適化により、計算効率を確保し、古典的力場と同等の性能を達成する。

実験結果

リサーチクエスチョン

• RQ1 機械学習力場は、金属有機フレームワークにおける力と構造パラメータの予測で、近似DFTの精度に達することができるか？
• RQ2 モーメントテンソルおよびカーネルベースの機械学習ポテンシャルは、弾性定数やフォノンバンド構造を含む多様なMOF特性において、どの程度の精度を維持するか？
• RQ3 これらの機械学習力場の計算コストは、UFF4MOF や Dreiding などの古典的力場と比較してどの程度か？
• RQ4 機械学習力場は、MOF-5の例で示されるように、実験的熱伝導率値を定量的に再現できるか？
• RQ5 アクティブラーニング分子動力学は、人的介入を最小限に抑えつつ、高精度な力場パrametrizationに十分で代表的な訓練データを信頼性を持って生成できるか？

主な発見

• 機械学習力場は、テストされたすべてのMOFsにおいて、予測された力と構造パラメータの精度が近似DFTに近い。
• モデルが予測する弾性定数およびフォノンバンド構造は、ab initio基準データと非常に良好に一致している。
• MOF-5の熱伝導率は定量的に再現されており、単結晶実験測定値と一致している。
• 力場は、UFF4MOF や Dreiding などの古典的力場と比較してわずかに遅いにとどまり、大規模なシミュレーションを効率的に行える。
• アクティブラーニングワークフローは、人的入力を最小限に抑えつつ、代表的な訓練データを効果的に生成し、高精度で汎用性の高いモデルを実現した。
• モーメントテンソルおよびカーネルベースの両ポテンシャルが、多様なMOF構造において強固な性能を示し、信頼性と転送可能性が確認された。