[論文レビュー] Machine learnt approximations to the bridge function yield improved closures for the Ornstein-Zernike equation

Rhys E. A. Goodall, Alpha A. Lee|arXiv (Cornell University)|Apr 20, 2020

Block Copolymer Self-Assembly被引用数 4

ひとこと要約

本稿では、ソフトマターにおける逆問題の閉じ込め近似を改善するため、オルンシュタイン＝ゼルニケ方程式におけるブリッジ関数を学習する機械学習的手法を提案する。シミュレーションデータを用いてブリッジ関数を予測する機械学習モデルを訓練することで、多様な系において従来のHNCやPY閉じ込めよりもより正確な1ステップ逆問題による対分布関数から相互作用ポテンシャルへの変換を達成する。

ABSTRACT

A key challenge for soft materials design and coarse-graining simulations is determining interaction potentials between components that give rise to desired condensed-phase structures. In theory, the Ornstein-Zernike equation provides an elegant framework for solving this inverse problem. Pioneering work in liquid state theory derived analytical closures for the framework. However, these analytical closures are approximations, valid only for specific classes of interaction potentials. In this work, we combine the physics of liquid state theory with machine learning to infer a closure directly from simulation data. The resulting closure is more accurate than commonly used closures across a broad range of interaction potentials. We show for two examples of a prototypical inverse design problem, fitting a coarse-grained simulation potential, that our approach leads to improved one-step inversion.

研究の動機と目的

• ソフトマター系における目的の対分布関数から有効な相互作用ポテンシャルを正確に同定する課題に対処すること。
• 複雑または普遍的でない相互作用ポテンシャルに対して失敗する、HNC や PY のような解析的閉じ込めの限界を克服すること。
• シミュレーションデータから直接ブリッジ関数を学習することで、オルンシュタイン＝ゼルニケ方程式のデータ駆動型閉じ込めを開発すること。
• 粗粒度化および構造的逆問題における1ステップ逆設計の精度を向上させること。
• MLによって情報化された閉じ込めが、g(r) からターゲット構造を再構築する際に標準的近似を上回ることを示すこと。

提案手法

• 物理的相関関数（h(r)、c(r)、S(q) を含む）を入力としてブリッジ関数 B(r) を機械学習関数としてモデル化し、物理的制約を組み込む。
• 局所相関（LC）モデルをシミュレーションデータ上で訓練し、直接相関関数および総相関関数から導出された特徴量を用いて B(r) を直接予測する。
• 機械学習モデルが既知の熱力学的および構造的関係を尊重するように、物理的に情報化された特徴セットを用いる。
• 学習された閉じ込めを逆フレームワークに適用し、反復的でない1ステップ手法を用いて、ターゲット g(r) から相互作用ポテンシャルを再構築する。
• 数値的安定性のある力が得られるように、推定されたポテンシャルおよびその勾配を平滑化するためにサヴィツキー＝ゴールデインフィルタを適用する。
• 本手法は、2成分系を用いた1つの代表的逆設計問題およびレナード＝ジョーンズポテンシャルを用いたもう1つの問題で検証された。

実験結果

リサーチクエスチョン

• RQ1 シミュレーションデータ上で訓練された機械学習モデルは、オルンシュタイン＝ゼルニケ方程式におけるブリッジ関数を正確に予測できるか？
• RQ2 ブリッジ関数のデータ駆動型閉じ込めは、HNC や PY のような従来の解析的閉じ込めよりも逆問題において優れているか？
• RQ3 学習された閉じ込めは、対分布関数を相互作用ポテンシャルに再構築する1ステップ逆問題をより正確に可能にするか？
• RQ4 MLベースの閉じ込めの性能は、異なる相互作用ポテンシャルの種類や構造的特徴に応じてどのように変化するか？
• RQ5 ML閉じ込めは、ターゲットとシミュレートされた粒子密度間のワルシャワ距離をどの程度低減するか？

主な発見

• 最初の例では、MLベースの閉じ込めによりターゲットとシミュレートされた粒子密度間のワルシャワ距離が 0.037 に低下した。これは IBI の 0.243 や HNC の 0.044 よりも顕著に低い。
• 2番目の例では、ML閉じ込めがワルシャワ距離 0.038 を達成し、IBI（0.306）や HNC（0.053）を上回った。
• HNC や IBI が細かい特徴を再現できなかった 1.6σ 付近の g(r) の複雑な段階的構造を、学習された閉じ込めがよりよく捉えた。
• 広範な相互作用ポテンシャルの範囲において、HNC や PY よりもより正確なブリッジ関数の推定が得られた。
• 本手法により、反復最適化を伴わずに粗粒度化問題における1ステップ逆設計の精度が向上し、構造的誤差が低減された。
• 結果から、MLが液体状態理論における解析的閉じ込めに対する物理的に意味のある補正を効果的に学習できることを示した。