[論文レビュー] Machine-learning-accelerated simulations to enable automatic surface reconstruction

Xiaochen Du, James K. Damewood+5 more|arXiv (Cornell University)|May 12, 2023

Machine Learning in Materials ScienceMaterials Science参考文献 73被引用数 3

ひとこと要約

本論文は、微分可能でデータ効率の良い機械学習原子間ポテンシャルと、仮想表面サイトを備えたマルコフ連鎖モンテカルロ法を用いた半グランドカノニカル集団に組み合わせることで、多成分材料における自動表面再構成を可能にする、機械学習で加速された計算フレームワークを提示する。この手法は、GaN(0001)、Si(111)、SrTiO3(001)の熱力学的に安定な表面相を、以前報告されていなかった終末構造を含めて、高い精度とスケーラビリティで予測する。

ABSTRACT

Understanding material surfaces and interfaces is vital in applications like catalysis or electronics. By combining energies from electronic structure with statistical mechanics, ab initio simulations can in principle predict the structure of material surfaces as a function of thermodynamic variables. However, accurate energy simulations are prohibitive when coupled to the vast phase space that must be statistically sampled. Here, we present a bi-faceted computational loop to predict surface phase diagrams of multi-component materials that accelerates both the energy scoring and statistical sampling methods. Fast, scalable, and data-efficient machine learning interatomic potentials are trained on high-throughput density-functional theory calculations through closed-loop active learning. Markov-chain Monte Carlo sampling in the semi-grand canonical ensemble is enabled by using virtual surface sites. The predicted surfaces for GaN(0001), Si(111), and SrTiO3(001) are in agreement with past work and suggest that the proposed strategy can model complex material surfaces and discover previously unreported surface terminations.

研究の動機と目的

• 多成分材料の広大な表面相空間を探索する際のab initioシミュレーションにおける計算ボトルネックを克服すること。
• 温度、化学ポテンシャル、外部電位が変化する条件下でも、表面相図を正確かつ効率的に予測できること。
• 人為的な構造的仮定に依存せずに、安定な表面終末構造を自動で発見できる自己指向型シミュレーションループを開発すること。
• 高スループットDFTデータと微分可能でデータ効率の良い機械学習ポテンシャルを統合し、計算コストを低減しながらも精度を維持すること。
• 半グランドカノニカル集団における仮想表面サイトを用いて、複雑な表面組成と構造の統計的サンプリングを可能にすること。

提案手法

• 高スループットDFT計算による表面構造の閉ループアクティブラーニングを通じて、高速でスケーラブルかつデータ効率の良い機械学習原子間ポテンシャルを訓練する。
• 半グランドカノニカル集団におけるマルコフ連鎖モンテカルロ（MCMC）サンプリングを可能にする仮想表面サイト（VSS）形式を実装する。これにより、表面種の動的交換が可能になる。
• 固定された化学ポテンシャル下で表面組成と構造をサンプリングできる半グランドカノニカル集団を用い、自由エネルギー最小化を実現する。
• 表面安定性を評価する主要な熱力学量として、表面グランドポテンシャルΩ_surfを定義し、Ω_surf ≈ E_slab - N_Ti·g_bulk_SrTiO3 - Γ_Ti_Sr·μ'_Sr - Γ_Ti_O·μ'_Oと近似する。
• 相図の構築を簡素化し、実験条件との直接比較を可能にするために、ボトムスブトラクトド化学ポテンシャル（μ'_Sr, μ'_O）を用いる。
• 表面自由エネルギーを、ボトムスチオメトリと相対的な過剰表面種の観点から表現することで、MCMCサンプリングに適した形に変換する。

Figure 1: Automatic Surface Reconstruction framework. (a) Beginning with a pristine surface and computer-generated virtual adsorption sites, VSSR-MC sampling is conducted in tandem with active learning of an NFF. The Monte Carlo nature of VSSR-MC is denoted by a pair of dice. Following multiple roun

実験結果

リサーチクエスチョン

• RQ1 アクティブラーニングで訓練された機械学習原子間ポテンシャルは、複雑な多成分材料の表面相図予測を加速できるか？
• RQ2 仮想表面サイトは、半グランドカノニカル集団における表面組成と構造探索のための効率的かつ正確なマルコフ連鎖モンテカルロサンプリングを可能にするか？
• RQ3 提案されたループベースのシミュレーションフレームワークは、人為的入力や構造に関する事前の仮定なしに、安定な表面終末構造を自動で発見できるか？
• RQ4 この手法は、GaN(0001)、Si(111)、SrTiO3(001)のような材料について、実験的および先行理論的知見と整合する表面構造をどの程度正確に予測できるか？
• RQ5 このフレームワークは、静的DFT構造を超えて、エントロピー効果を含む、さまざまな化学ポテンシャルと温度における熱力学的安定性を捉えることができるか？

主な発見

• 本手法は、GaN(0001)、Si(111)、SrTiO3(001)の表面相図を、先行する実験的および理論的研究と整合する形で正確に予測した。
• 本フレームワークは、SrTiO3(001)およびGaN(0001)において、以前報告されていなかった表面終末構造を発見し、非直感的ではあるが熱力学的に安定な構造を同定できる能力を示した。
• 仮想表面サイトの使用により、半グランドカノニカル集団における効率的なMCMCサンプリングが可能となり、表面組成と構造の動的変化が可能になった。
• 閉ループアクティブラーニングを用いることで、最小限のデータで高い精度の機械学習ポテンシャルが達成され、高価なDFT計算への依存が低減された。
• 統計的サンプリングによりエンタルピー的およびエントロピー的寄与を組み込むことで、自由エネルギー最小化が実現され、静的DFTベースの手法の限界を克服した。
• 予測された表面相図は、ボトムスブトラクトド化学ポテンシャル（μ'_Sr, μ'_O）を用いて表現されており、O2分圧や温度といった実験条件との直接比較が可能になった。

Figure 2: Active learning procedure for neural network force field. (a) An initial ensemble of NFF models is trained using a common dataset of available DFT data. Using the NFF to provide predictions of forces, energies and their SD, either adversarial attack or VSSR-MC with latent space clustering