[論文レビュー] MatterSim: A Deep Learning Atomistic Model Across Elements, Temperatures and Pressures

Han Yang, Chenxi Hu+20 more|arXiv (Cornell University)|May 8, 2024

Machine Learning in Materials Science被引用数 74

ひとこと要約

MatterSimは、第一原理データからのアクティブ学習で訓練された普遍的な深層学習原子スケール模型で、元素、温度（0–5000 K）、圧力（0–1000 GPa）全域に渡るエネルギー、力、応力を、第一原理にほぼ準ずる精度で予測し、ゼロショットMDおよび相図予測を可能にする。

ABSTRACT

Accurate and fast prediction of materials properties is central to the digital transformation of materials design. However, the vast design space and diverse operating conditions pose significant challenges for accurately modeling arbitrary material candidates and forecasting their properties. We present MatterSim, a deep learning model actively learned from large-scale first-principles computations, for efficient atomistic simulations at first-principles level and accurate prediction of broad material properties across the periodic table, spanning temperatures from 0 to 5000 K and pressures up to 1000 GPa. Out-of-the-box, the model serves as a machine learning force field, and shows remarkable capabilities not only in predicting ground-state material structures and energetics, but also in simulating their behavior under realistic temperatures and pressures, signifying an up to ten-fold enhancement in precision compared to the prior best-in-class. This enables MatterSim to compute materials' lattice dynamics, mechanical and thermodynamic properties, and beyond, to an accuracy comparable with first-principles methods. Specifically, MatterSim predicts Gibbs free energies for a wide range of inorganic solids with near-first-principles accuracy and achieves a 15 meV/atom resolution for temperatures up to 1000K compared with experiments. This opens an opportunity to predict experimental phase diagrams of materials at minimal computational cost. Moreover, MatterSim also serves as a platform for continuous learning and customization by integrating domain-specific data. The model can be fine-tuned for atomistic simulations at a desired level of theory or for direct structure-to-property predictions, achieving high data efficiency with a reduction in data requirements by up to 97%.

研究の動機と目的

• 現実的な温度・圧力条件下で、周期表全体に渡る材料特性を正確かつ迅速に予測するニーズに対応する。
• 大規模な第一原理データを用いたアクティブ学習で訓練された、普遍的な機械学習ベースの原子間模型を開発する。
• ゼロショットシミュレーションと継続的学習を実現し、一般化性能とデータ効率を向上させる。

提案手法

• 0–5000 K and 0–1000 GPa の原子系をモデル化するために、深層グラフニューラルネットワーク（M3GNet および Graphormer バックボーン）を用いる。
• 第一原理スーパーバイザー（PBE+U）とアンサンブル不確実性モニターを用いたアクティブ学習により、多様で高被覆のデータセット（~17M 構造）をキュレーションする。
• エネルギー、力、応力に対して高精度（MAE ~36 meV/原子 on MPF-TP）を有するゼロショット機械学習力場（MLFF）を提供する。
• エネルギー学、フォノン、機械特性について、公開データセットおよび新しいベンチマーク（MPF-TP、Random-TP、MatBench Discovery）を比較検証する。
• データ効率の高いカスタマイズで、さまざまな理論レベルに適応するファインチューニングを実証する（例：水に対する rev-PBE0-D3）。

実験結果

リサーチクエスチョン

• RQ1 MatterSimは、広い温度・圧力範囲でほぼ全ての元素に対する材料のエネルギー、力、応力を信頼性高く予測できるのか？
• RQ2 アクティブ学習と多様なデータカバレッジは、リラクゼーション軌道データセットを超えた一般化をどのように改善するのか？
• RQ3 有限な温度・圧力の下で、ギブス自由エネルギーなどの熱力学的性質および相図を予測する際のMatterSimの精度はどれくらいか？
• RQ4 ゼロショットMD、材料発見、エンドツーエンドの特性予測におけるMatterSimの有効性はどれくらいか？

主な発見

• MatterSimは、高温・高圧データセット（MPF-TPおよびRandom-TP）で、従来の普遍的なMLFFに対して最大10倍の精度向上を達成。
• エネルギー、力、応力のゼロショット予測はMPF-TPでMAE約36 meV/原子、自由エネルギー予測は第一原理に近い忠実度（1000 K までは 10 meV/原子未満）、実験に対してMAE 15 meV/原子の精度。
• アクティブ学習により、0–5000 Kおよび0–1000 GPaをカバーする約~17Mラベル付き構造を得て、緩和ベースのデータベースより広い化学・構造のカバレッジを実現。凸包上/以下の構造を16,399件発見し、そのうち1,974件は新規構造。
• MatterSimは迅速な材料発見を可能にし、 hull 上に5,213件の RSS由来材料を示し（ hull 貢献の71%）、高スループットスクリーニング能力を有する。
• フォノン予測 MAE ~0.87 THz 対 PhononDB; バルクモジュラス MAE ~2.47 GPa（0 K時）と ~0.97 GPa（1000 Kまでの温度依存性）; MgO の相境界 B1–B2 は広い T–P 範囲で実験および第一原理データと整合。
• ギブズ自由エネルギー予測は1000 Kまでサブ10 meV/原子の精度を達成し、実験に対してMAE ~15 meV/原子; MgOとSiについてはQHA下で相図を実証。