[論文レビュー] Manifold learning for coarse-graining atomistic simulations: Application to amorphous solids

Katiana Kontolati, Darius Alix-Williams+4 more|arXiv (Cornell University)|Mar 1, 2021

Machine Learning in Materials Science参考文献 86被引用数 17

ひとこと要約

本論文は、多様体学習とサーモグラフベース最適化を用いて、アモルファス固体の粗粒度分子動力学データから連続体モデルをキャリブレーションするための機械学習フレームワークであるGrassmannian EGOを提案する。高次元の変形応答を非線形多様体上に射影し、勾配フリー最適化を用いてGrassmann距離を最小化することで、最小限のフォワードモデル評価で高精度なパラメータキャリブレーションを達成し、金属ガラスにおける塑性変形挙動を正確に再現した。

ABSTRACT

We introduce a generalized machine learning framework to probabilistically parameterize upper-scale models in the form of nonlinear PDEs consistent with a continuum theory, based on coarse-grained atomistic simulation data of mechanical deformation and flow processes. The proposed framework utilizes a hypothesized coarse-graining methodology with manifold learning and surrogate-based optimization techniques. Coarse-grained high-dimensional data describing quantities of interest of the multiscale models are projected onto a nonlinear manifold whose geometric and topological structure is exploited for measuring behavioral discrepancies in the form of manifold distances. A surrogate model is constructed using Gaussian process regression to identify a mapping between stochastic parameters and distances. Derivative-free optimization is employed to adaptively identify a unique set of parameters of the upper-scale model capable of rapidly reproducing the system's behavior while maintaining consistency with coarse-grained atomic-level simulations. The proposed method is applied to learn the parameters of the shear transformation zone (STZ) theory of plasticity that describes plastic deformation in amorphous solids as well as coarse-graining parameters needed to translate between atomistic and continuum representations. We show that the methodology is able to successfully link coarse-grained microscale simulations to macroscale observables and achieve a high-level of parity between the models across scales.

研究の動機と目的

• 粗粒度原子論的シミュレーションデータから上位スケールの連続体モデルをキャリブレーションする一般化された確率的フレームワークの開発。
• 特にアモルファス固体が塑性変形を受ける場合に生じる非線形PDEのパラメータ化の課題に対処すること。
• 高価な原子論的シミュレーションに代わって高速でキャリブレーションされた連続体モデルを用いることで、計算コストを低減すること。
• 複数のランダムシードおよびシミュレーション実行にわたるパラメータキャリブレーションのロバスト性と再現可能性を保証すること。
• 塑性変形モデリングにおける原子論的スケールと連続体スケールの間の一貫性があり、熱力学的に根拠のあるリンクを確立すること。

提案手法

• 高次元の変形応答（注目事項）を幾何的・トポロジカル構造を捉えるために、低次元のリーマン多様体に射影するための多様体学習を用いる。
• 潜在多様体空間における原子論的応答と連続体モデル応答の乖離を測定するためのGrassmann距離メトリックを採用する。
• 確率的学習を可能にするために、確率的モデルパラメータから多様体距離へのガウス過程サーモグラフモデルを構築する。
• 勾配フリー最適化（EGO）を適用し、基準となる原子論的応答とのGrassmann距離を最小化する最適パラメータを反復的に同定する。
• 粗粒度化の仮定に基づき、原子論的ポテンシャルエネルギーを有効温度にマッピングすることで、一貫性のあるスケールブリッジを実現する。
• 局所的サーモグラフ更新を用いて、新しいサンプルの近傍に限定してモデル更新を行うことで、計算コストを低減する。

実験結果

リサーチクエスチョン

• RQ1 多様体学習に基づくフレームワークは、原子論的モデルと連続体モデルの間の構造的・動的乖離を効果的に捉えることができるか？
• RQ2 サーモグラフモデリングと勾配フリー最適化をどのように統合することで、粗粒度データから複雑な非線形連続体モデルを効率的にキャリブレーションできるか？
• RQ3 Grassmann距離メトリックは、スケールをまたいでモデル比較に信頼性があり、幾何学的に意味のある指標として機能するか？
• RQ4 提案手法は、異なるランダムシードを用いた複数の独立した最適化実行において、一貫性があり再現可能なパラメータキャリブレーションを達成できるか？
• RQ5 キャリブレーションされたSTZモデルとアモルファス固体（金属ガラスなど）の原子論的シミュレーションとの間に、どの程度の忠実度が達成できるか？

主な発見

• Grassmannian EGOフレームワークは、冷却処理を施したCuZr金属ガラスの分子動力学シミュレーションで観察された塑性変形挙動を再現するように、STZモデルのパラメータを成功裏にキャリブレーションした。
• 異なるランダムシードを用いた8回の独立実行においても、一意の最適パラメータに収束したため、ロバスト性と再現性が裏付けられた。
• フォワードモデル評価回数が非常に少なかったため、マルチスケール系の複雑さを考慮しても高い計算効率を示した。
• 最終的なキャリブレーション済み連続体モデルは、原子論的モデルと高い一致度を示し、すべての最適化ケースにおいて視覚的に区別できないひずみ場の解が得られた。
• 最適化されたパラメータにわずかな変動があっても、Grassmann距離に顕著な変化が生じず、手法の安定性および意味のある構造的差異への感受性が示された。
• モデル間の残存乖離は、MDと連続体形式の本質的差異に起因するとされ、最適でないキャリブレーションによるものではなかった。これにより、モデル制約内での最適性が確認された。