[論文レビュー] Machine Learning methods for interatomic potentials: application to boron carbide

Qin Gao, Sanxi Yao+2 more|arXiv (Cornell University)|Dec 30, 2015

Machine Learning in Materials Science被引用数 4

ひとこと要約

本研究では、ペア周波数を特徴量として用い、L1正則化回帰、ニューラルネットワーク、ガウス過程、サポートベクターレグレッションを用いて、ボロンカーバイドの複雑な多体相互作用をモデル化する機械学習ベースの原子間ポテンシャルを開発した。混合カーネルガウス過程モデルが最高の精度（0.31 meV/atomの誤差）を達成し、低温・高炭素濃度で一次相転移を示した。これは、実験的相図に見られる矛盾を解消した。

ABSTRACT

Total energies of crystal structures can be calculated to high precision using quantum-based density functional theory (DFT) methods, but the calculations can be time consuming and scale badly with system size. Cluster expansions of total energy as a linear superposition of pair, triplet and higher interactions can efficiently approximate the total energies but are best suited to simple lattice structures. To model the total energy of boron carbide, with a complex crystal structure, we explore the utility of machine learning methods ($L_1$-penalized regression, neural network, Gaussian process and support vector regression) that capture certain non-linear effects associated with many-body interactions despite requiring only pair frequencies as input. Our interaction models are combined with Monte Carlo simulations to evaluate the thermodynamics of chemical ordering.

研究の動機と目的

• ボロンカーバイドの実験的相図に見られる、不条理な温度依存性のない溶解度制限や一貫性のない組成といった不正確さを是正すること。
• 特に極性サイトにおける炭素置換を伴う不規則なイコサヘドロンおよび鎖構造を有するボロンカーバイドの複雑なエネルギー状態をモデル化すること。
• 従来のクラスターエクスパンションを超えて非線形多体効果を捉える機械学習ベースの原子間ポテンシャルを開発すること。
• これらのモデルを用いてモンテカルロシミュレーションを実施し、単斜晶相、ルチル相、および双極性相を含む熱力学的相挙動を調査すること。
• パラメトリック（L1正則化多項式、ニューラルネットワーク）とノンパラメトリック（ガウス過程、SVR）手法を比較することで、モデルの精度と信頼性を向上させること。

提案手法

• 597個のスーパーセル（120〜405原子）のDFT計算エネルギーが訓練データとして使用され、形成エンタルピーはB13C2–B4Cのタイ・ラインを基準としていた。
• 4つの機械学習モデルを訓練した：L1正則化多項式回帰、ニューラルネットワーク、ガウス過程回帰、サポートベクターレグレッション。すべてのモデルがペア周波数を入力特徴量として使用した。
• 標準のGPモデルで誤った基底状態を予測する問題を是正するため、混合カーネルガウス過程モデルを構築した。多項式カーネルと有理二次カーネルを組み合わせた。
• 熱的性質（比熱や相転移）を評価するために、線形モデル、41特徴量多項式回帰、混合カーネルGPを用いてモンテカルロシミュレーションを実施した。
• エネルギーヒストグラムからの比熱を計算するために、マルチヒストグラム法が用いられ、ピークの発散によって相転移を同定した。
• 相図は(XC, T)平面に構築され、対称性の破れと順序パラメータに基づき、ルチル相、双極性相、単斜晶相を特定した。

実験結果

リサーチクエスチョン

• RQ1 ペア周波数のみを入力特徴量として用いる機械学習モデルは、複雑な不規則性と多体相互作用を有するボロンカーバイドの全エネルギーを正確に予測できるか？
• RQ2 パラメトリックモデルとノンパラメトリックモデルのうち、どの機械学習手法がボロンカーバイドの原子間ポテンシャルにおいて最も高い精度を達成するか？また、線形クラスターエクスパンションと比較してどうなるか？
• RQ3 機械学習モデルによる非線形効果の組み込みにより、高炭素濃度・低温条件下で、従来検出されていなかった一次相転移がボロンカーバイドに存在することが明らかになるか？
• RQ4 混合カーネルガウス過程モデルは、標準GPモデルが正しく基底状態を予測できない問題を克服できるか？
• RQ5 異なる原子間ポテンシャルは、ルチル相、双極性相、単斜晶相の安定性を含め、予測される相図にどのように影響を与えるか？

主な発見

• 混合カーネルガウス過程モデルが、0.31 meV/atomの交差検証RMSEを達成し、線形モデル比33%の精度向上を示した。
• 線形モデル、41特徴量多項式回帰、混合カーネルGPの3モデルとも、モンテカルロシミュレーションで類似した挙動を示し、低温・高炭素化学ポテンシャルで一次相転移が存在することを示した。
• シミュレーションにおける比熱ピークは、スーパーセルサイズが増加するにつれて発散し、一次相転移を確認した。これは、エネルギーヒストグラムが急激に変化し、複数のピークを持つことと整合的であった。
• T → 0 KでX_C = 0.133までルチル相が安定し続け、X_C = 0.20で単斜晶相が安定化することを示し、実験的相図に見られる矛盾を解消した。
• GPのトレーニングセットに高い予測不確実性を示す構造を含めても、CV誤差は低下したが、誤った基底状態の予測問題は解消せず、結果として混合カーネルGPモデルの開発が不可避であった。
• 本研究では、従来の制限付きモデルで除外されていた双極性欠陥を含めたことにより、ボロンカーバイドに以前報告されていなかった双極性相が出現することが明らかになった。