[論文レビュー] MLIP-3: Active learning on atomic environments with Moment Tensor Potentials

Evgeny V. Podryabinkin, Kamil Garifullin+2 more|arXiv (Cornell University)|Apr 25, 2023

Machine Learning in Materials ScienceMaterials Science被引用数 3

ひとこと要約

MLIP-3 は、大規模なシミュレーション内での原子近傍環境におけるモーメントテンソルポテンシャル（MTP）の構築および能動的学習による訓練を強化したソフトウェアパッケージを提供する。局所的原子環境における効率的で並列化された能動的学習を可能とし、データ効率とモデル精度を顕著に向上させつつ、材料モデリング応用においても高い計算パフォーマンスを維持する。

ABSTRACT

Nowadays, academic research relies not only on sharing with the academic community the scientific results obtained by research groups while studying certain phenomena, but also on sharing computer codes developed within the community. In the field of atomistic modeling these were software packages for classical atomistic modeling, later -- quantum-mechanical modeling, and now with the fast growth of the field of machine-learning potentials, the packages implementing such potentials. In this paper we present the MLIP-3 package for constructing moment tensor potentials and performing their active training. This package builds on the MLIP-2 package (Novikov et al. (2020), The MLIP package: moment tensor potentials with MPI and active learning. Machine Learning: Science and Technology, 2(2), 025002.), however with a number of improvements, including active learning on atomic neighborhoods of a possibly large atomistic simulation.

研究の動機と目的

• より使いやすくスケーラブルな次世代のソフトウェアパッケージを開発し、モーメントテンソルポテンシャル（MTP）の訓練を可能とすること。
• 大規模な原子配置から抽出した局所的原子近傍環境における能動的学習を可能とし、データ要件と計算コストを低減すること。
• 分散コンピューティング環境における並列処理能力を強化し、MTPの訓練とシミュレーションを高速化すること。
• 拡散、融解、熱伝導率などの複雑な材料特性に対する高精度で低コストの機械学習ポテンシャルを支援すること。
• MTPの精度と一般化能力を維持しつつ、能動的学習による効率的なモデル精練を可能とするユーザーフレンドリーで拡張可能なフレームワークを提供すること。

提案手法

• モーメントテンソルポテンシャル（MTP）を活用し、局所的原子近傍環境をテンソルベースの基底関数を用いてエネルギーを表現する。
• 大規模なシミュレーションから抽出した最も不確実性が高く情報量の多い原子近傍環境を選択し、第一原理計算による能動的学習を実施する。
• MTP基底関数の線形展開を用いる：$ V^{\text{MTP}}(\mathfrak{n}_i) = \sum_{\alpha=1}^{N_{\text{lin}}} \xi_\alpha B_\alpha(\mathfrak{n}_i) $、ここでパラメータ $ \xi_\alpha $ は回帰により学習される。
• MPIを用いた並列計算により、複数の計算ノードに跨る分散型の訓練および評価を実装する。
• VASPで計算されたエネルギーと力の収束テストを、kメッシュ、エネルギーカットオフ、バキュームサイズを用いて実施し、基準データの正確性を保証する。
• 孤立クラスタ内の中心原子の力と周期的系全体における力の比較を通じてモデル性能を検証し、スケール間の一貫性を確認する。

実験結果

リサーチクエスチョン

• RQ1 局所的原子近傍環境における能動的学習は、モーメントテンソルポテンシャルの訓練におけるデータ効率と精度を向上させることができるか？
• RQ2 局所的に抽出したクラスタ内の中心原子の力は、完全な周期的系における力とどのように異なるか？
• RQ3 MTP訓練に用いる第一原理基準データの最適な収束パラメータ（kメッシュ、ENCUT、バキュームサイズ）は何か？
• RQ4 MLIP-3パッケージは、MLIP-2に比べて大規模な材料シミュレーションにおけるスケーラビリティと使いやすさをどの程度向上させたか？
• RQ5 局所環境における能動的学習で訓練されたMTPは、拡散や熱伝導率といった複雑な材料特性に対しても高い精度を維持できるか？

主な発見

• 8 Åの半径を持つ局所的クラスタ（165原子）における中心原子の力は、336原子の完全な周期的系と非常に近く一致し、差が0.05 eV/Å未満であった。
• 収束テストの結果、エネルギーカットオフ300 eV、1×1×1 kメッシュ、各方向9 Åのバキュームが、正確な第一原理基準データに十分であることが確認された。
• 周期的構造における最適なkメッシュは3×3×1であり、収束エネルギーは-1181.358 eVを達成した。
• 局所的近傍環境における能動的学習で訓練されたMTPモデルは、最小限の基準データで高い精度を達成し、重要な原子環境に焦点を当てることで計算コストを削減した。
• MLIP-3はMLIP-2に比べて並列処理能力と使いやすさが向上し、MPIと能動的学習ワークフローを活用した大規模なシミュレーションにおける効率的訓練を可能にした。
• 本パッケージは、MTPを用いた先行研究で妥当性が確認された、融点、熱伝導率、拡散係数などの材料特性の高精度モデリングを成功裏にサポートした。