[論文レビュー] Machine-Learning-Based Exchange-Correlation Functional with Physical Asymptotic Constraints

Ryo Nagai, Ryosuke Akashi+1 more|arXiv (Cornell University)|Nov 30, 2021

Machine Learning in Materials Science被引用数 10

ひとこと要約

本論文は、3次元材料における既知の物理的漸近的制約を組み込んだ独自のニューラルネットワークアーキテクチャを用いて、密度汎関数理論における機械学習ベースの交換相関関数を提案する。モデル構造に解析的制約を埋め込むことで、従来の関数よりも高い精度とより優れた一般化性能を達成し、訓練データ分布外の材料に対しても優れた性能を示す。標準的なDFT関数よりも多様な系において優れている。

ABSTRACT

Density functional theory is the standard theory for computing the electronic structure of materials, which is based on a functional that maps the electron density to the energy. However, a rigorous form of the functional is not known and has been heuristically constructed by interpolating asymptotic constraints known for extreme situations, such as isolated atoms and uniform electron gas. Recent studies have demonstrated that the functional can be effectively approximated using machine learning (ML) approaches. However, most ML models do not satisfy asymptotic constraints. In this study, by applying a novel ML model architecture, we demonstrate a neural network-based exchange-correlation functional satisfying physical asymptotic constraints. Calculations reveal that the trained functional is applicable to various materials with an accuracy higher than that of existing functionals, even for materials whose electronic properties are different from the properties of materials in the training dataset. Our proposed approach thus improves the accuracy and generalization performance of the ML-based functional by combining the advantages of ML and analytical modeling.

研究の動機と目的

• 3次元材料における既知の物理的漸近的制約を満たす機械学習ベースの交換相関関数を開発すること。
• 訓練データ分布外の材料に適用した場合に、標準的なML関数の一般化性能の低さを克服すること。
• ニューラルネットワークの柔軟性と解析的制約の物理的整合性を組み合わせることで、DFT計算の精度と安定性を向上させること。
• 訓練セットの材料と異なる電子的性質を示す材料を含む多様な材料について、信頼できる予測を可能にすること。

提案手法

• 物理的漸近的制約（均一電子ガス極限や原子極限など）を関数形に直接埋め込むように、独自のニューラルネットワークアーキテクチャを設計した。
• 非負の出力を保証し、入力がゼロのときの正しい挙動を確保するため、係数を調整した修正版ソフトプラス活性化関数を採用した。
• 関数はニューラルネットワーク出力と制約を保全する変換の合成として構築され、最終的なXCエネルギーが既知の理論的極限を尊重することを保証した。
• 勾配計算を避けるために、確率的重み摂動と損失の改善に基づく受容基準を用いたシミュレーテッド・アニーリング最適化手法を採用した。
• 高精度のカップルド・クラスター計算データ（144個の小〜中規模分子）を基準として使用し、高精度な学習を実現した。
• 訓練後、原子化エネルギーのテストセットにおける平均絶対誤差に基づいて、最も性能の良いモデル重みを選定した。

実験結果

リサーチクエスチョン

• RQ1 3次元系において、既知の物理的漸近的制約を満たす機械学習モデルを交換相関関数に設計できるか？
• RQ2 物理的制約を強制することで、訓練データ分布外の領域におけるMLベースXC関数の一般化性能が向上するか？
• RQ3 ニューラルネットワークベースのXC関数は、訓練セット外の材料に対しても、PBE や SCAN といった従来の関数よりも高い精度を達成できるか？
• RQ4 物理的制約の組み込みが、Kohn–Sham自己無撞着計算の安定性および収束性にどのように影響するか？
• RQ5 物理的制約の導入により、正確なMLベースXC関数を学習するためのデータ量をどの程度削減できるか？

主な発見

• 提案されたMLベースXC関数は、アーキテクチャ設計によって、均一電子ガス極限や原子極限を含むすべてのターゲットとなる物理的漸近的制約を満たしている。
• 訓練セットの電子的性質とは異なる材料に対しても、SCAN関数を上回る高い精度を達成した。
• 訓練データ外の系に対しても、Kohn–Sham計算において収束性と安定性が優れていることが確認された。
• 物理的制約を組み込むことで、大規模かつ多様な訓練データセットへの依存を低減し、一般化性能の向上が図られた。
• 最終的なモデルは、144個の分子から成るテストセットにおいて平均絶対誤差0.95 kcal/molを達成し、SCAN関数の1.2 kcal/molを上回った。
• 訓練データに含まれない材料に対しても正確な予測が可能であるため、強力な転送性と信頼性が示された。