[論文レビュー] Machine Learning Forcefield for Silicate Glasses

Han Liu, Zipeng Fu+3 more|arXiv (Cornell University)|Feb 9, 2019

Machine Learning in Materials Science参考文献 31被引用数 5

ひとこと要約

本論文は、ab initio 分子動力学（AIMD）、ガウス過程回帰、ベイズ最適化を用いて、ケイ酸塩ガラスの機械学習ベースの力場パラメータ化手法を提案する。この手法により、最小限の人為的バイアスで正確で移行性があり、効率的な力場が得られ、ガラス状ケイ酸塩のモデリングにおいて前例のない構造的精度を達成した。

ABSTRACT

Developing accurate, transferable, and computationally-efficient interatomic forcefields is key to facilitate the modeling of silicate glasses. However, the high number of forcefield parameters that need to be optimized render traditional parameterization methods poorly efficient or potentially subject to bias. Here, we present a new forcefield parameterization methodology based on ab initio molecular dynamics simulations, Gaussian process regression, and Bayesian optimization. By taking the example of glassy silica, we show that our methodology yields a new interatomic forcefield that offers an unprecedented description of the atomic structure of silica. This methodology offers a new route to efficiently parameterize new empirical interatomic forcefields for silicate glasses with very limited need for intuition.

研究の動機と目的

• 従来の力場パラメータ化手法が、広範な手動チューニングを要し、バイアスに起因する欠陥を抱えることへの対処。
• 専門的直感に依存しない、体系的でデータ駆動の方法論による原子間力場パラメータ化の開発。
• 最小限のトレーニングデータで、ケイ酸塩ガラス、特にガラス状ケイ酸塩の原子構造を高い精度で記述すること。
• 異なるケイ酸塩ガラス系にわたる力場の計算効率と移行性を保証すること。
• 機械学習手法が、複雑な無秩序材料に適した堅牢な経験則的力場を構築する上で実用的であることを示すこと。

提案手法

• 訓練用の高精度基準データを生成するために、ab initio 分子動力学（AIMD）シミュレーションを活用する。
• 原子配置と原子間力の関係をモデル化するために、ガウス過程回帰を採用する。
• 力場項の高次元パラメータ空間を効率的に探索するために、ベイズ最適化を用いる。
• ガウス過程からの不確実性評価を統合し、アクティブラーニングを促進し、収束性を向上させる。
• 予測された力とエネルギー、ab initio の力とエネルギーの乖離を最小化することで、力場パラメータを最適化する。
• 最終的な力場を、AIMD シミュレーションから得られた構造的および動的性質と照合することで検証する。

実験結果

リサーチクエスチョン

• RQ1 機械学習フレームワークは、ケイ酸塩ガラスの経験則的力場パラメータ化における人為的直感の必要性をどれほど低減できるか？
• RQ2 ベイズ最適化とガウス過程を用いてトレーニングされた力場は、ガラス状ケイ酸塩の構造的性質をどの程度正確に再現できるか？
• RQ3 従来の力場フィッティングと比較して、提案手法は移行性と計算効率の面でどの程度向上を遂げたか？
• RQ4 不規則なケイ酸塩ネットワーク内の多様な局所的原子環境において、力場は精度を維持できるか？
• RQ5 ガウス過程からの不確実性評価は、力場開発における最適化プロセスをどのように向上させるか？

主な発見

• 提案手法により、人為的干渉を最小限に抑えた力場が得られ、ガラス状ケイ酸塩の原子構造を正確に再現した。
• 径方向分布関数と配位数分布の両面から検証された結果、力場はab initio シミュレーションと同等の構造的精度を達成した。
• ベイズ最適化により、パラメータ空間の効率的探索が可能となり、必要なトレーニング反復回数が著しく削減された。
• ガウス過程回帰は信頼性の高い不確実性推定を提供し、適応的サンプリングと収束性の向上を可能にした。
• 得られた力場は計算的に効率的であり、ケイ酸塩ガラスの大型分子動力学シミュレーションに適した性能を示した。
• 本手法は他のケイ酸塩系へも適用可能であり、単にケイ酸塩に限らず広範な応用可能性を示した。