[論文レビュー] Machine Learning, Quantum Mechanics, and Chemical Compound Space

Raghunathan Ramakrishnan, O. Anatole von Lilienfeld|arXiv (Cornell University)|Oct 26, 2015

Machine Learning in Materials Science参考文献 9被引用数 5

ひとこと要約

本論文では、電子構造計算（ab initio）から得られる量子力学的（QM）データを用いて訓練された機械学習（ML）モデルを提案し、分子および材料の性質を高い精度と計算効率で予測することを目的としている。大規模なQM計算で得られた性質（例：解離エネルギー、電子的性質、力）のデータセットを活用することで、MLモデルは化学的精度に達し、1秒未満の推論時間を達成する。これにより、化学的化合物空間の高スループットスクリーニングが可能になる。

ABSTRACT

We review recent studies dealing with the generation of machine learning models of molecular and solid properties. The models are trained and validated using standard quantum chemistry results obtained for organic molecules and materials selected from chemical space at random.

研究の動機と目的

• ab initio計算から得たデータを用いて、分子および材料の量子力学的性質を正確に予測する機械学習モデルを開発すること。
• 分子サイズに伴い指数関数的に増大する高次元の化学的化合物空間（CCS）を、計算コストを抑えつつ効率的に探索する課題に対処すること。
• MLモデルが、計算的に高価な量子力学的計算の代替として、正確かつ高速に機能することを示すこと。
• トレーニング分布外の未知の分子構造に一般化する際のMLモデルの汎用性と限界を調査すること。
• 分子性質予測において、局所的な化学的環境を的確に捉えるために最適な表現方法およびカーネル関数を探索すること。

提案手法

• 密度汎関数理論（DFT）、後-Hartree-Fock（post-HF）、量子モンテカルロ法（QMC）などのab initio手法により計算された大規模な量子力学的性質データセットを用いて、教師ありのMLモデルを訓練する。
• 柔軟な基底関数およびカーネル法を用いて、分子構造を回帰モデルが性質（解離エネルギー、HOMO/LUMO準位、双極子モーメントなど）を予測可能な特徴空間に写像する。
• 134,000個の有機分子から成るGDB-17データセットに対して、高性能コンピューティングシステムを用いて標準化された量子化学プロトコルを適用し、一貫性があり高品質なトレーニングデータを生成する。
• 局所的な原子環境を符号化する表現を用いることで、類似した局所モチーフを有するより大きな分子への汎用性を実現する。
• トレーニングセットに含まれない分子を用いたアウトオブサンプル予測によるモデルの妥当性と頑健性を検証する。
• Born-Oppenheimer近似および統計力学を用いて、化学的化合物空間をエネルギーが最小となる構成の多様体として物理的枠組みで定式化する。

実験結果

リサーチクエスチョン

• RQ1 量子力学的データを用いて訓練された機械学習モデルは、化学的精度と計算効率を満たして分子および材料の性質を予測できるか？
• RQ2 分子のサイズ、組成、幾何的構造がトレーニングセットと著しく異なる場合、MLモデルの一般化性能はどの程度高いか？
• RQ3 分子表現およびカーネル関数は、量子力学的観測量の正確で汎用性のある予測を可能にする上で果たす役割は何か？
• RQ4 MLモデルは、化学的化合物空間の高スループットスクリーニングにおいて、高価なab initio計算の代替としてどの程度有効に機能できるか？
• RQ5 MLモデルがトレーニングデータでカバーされていない化学空間の外挿に際し、根本的な限界は何か？

主な発見

• 少なくとも1,000件の例を用いたトレーニングで、解離エネルギーおよび電子構造記述子などの分子性質に対して準定量的精度を達成する。
• 数え千件のトレーニング例を用いることで、解離エンタルピーおよび双極子モーメントといった重要な性質について、実験測定値と同等またはそれを上回る精度に到達する。
• 訓練済みモデルを用いた推論は、分子1つあたり数分の1秒未満で実行可能であるのに対し、標準的な量子化学手法でシュレーディンガー方程式を解くには複数時間のCPU時間が要する。
• 局所的な化学的環境が保持される限り、MLモデルはより大きな分子へも汎用性を示し、原子電荷や力といった局所的性質が、複雑な系においても信頼性高く予測可能であることを示している。
• 成功を収めたものの、MLモデルはトレーニング分布から著しく異なる分子や材料（特に新しい化学 Stoichiometry や極端な幾何的構造）に対しては一般化性能が限定的である。
• 本研究は、十分で代表的なトレーニングデータが確保されれば、MLが量子力学的計算の正確かつ効率的な代替として機能できることを強く数値的根拠で示している。