[論文レビュー] Quantum machine learning in chemical compound space

Bing Huang, O. Anatole von Lilienfeld|arXiv (Cornell University)|Dec 14, 2020

Machine Learning in Materials Science被引用数 2

ひとこと要約

この論文は、量子力学的生成データと物理にインspiredされたモデルアーキテクチャを活用する量子機械学習（QML）手法をレビューし、化学化合物空間（CCS）の仮想的探索を加速することを目的としている。第一原理の正確さと統計的効率性を組み合わせることで、QMLは物理的厳密性を損なわずに、大規模な化学空間における新規分子や材料のスケーラブルで、転送可能で信頼性のある発見を可能にする。

ABSTRACT

Chemical compound space (CCS), the set of all theoretically conceivable combinations of chemical elements and (meta-)stable geometries that make up matter, is colossal. The virtual exploration of this space for the design and discovery of novel molecules and materials exhibiting desirable properties is therefore generally prohibitive for all but the smallest sub-sets and simplest properties, and typically relies heavily on access to substantial allocations on modern high-performance computing hardware. We review studies aimed at tackling this challenge using modern machine learning techniques based on (i) synthetic data generated using quantum mechanics based methods and (ii) model architectures inspired by quantum mechanics. Such Quantum based Machine Learning (QML) approaches combine the advantages of a first principles view on matter, i.e.~reflecting properly the underlying physics which guarantees universality and transferability of models across all of CCS, with the numerical efficiency of statistical surrogate models. While state-of-the-art approximations to quantum problems impose severe computational bottlenecks, recent QML based developments indicate the possibility of substantial acceleration without sacrificing the rigour and reliability of a physics based understanding of trends and relationships throughout CCS.

研究の動機と目的

• 新規分子や材料の膨大な化学化合物空間（CCS）を探索する際の計算コストが非常に高いため、その課題に対処すること。
• 従来のハイパフォーマンスコンピューティングの限界を乗り越えるために、機械学習を量子力学的原則と統合すること。
• 第一原理物理学に基づく代理モデルを用いることで、CCS全体にわたりスケーラブルで、転送可能で信頼性のある発見を可能にすること。
• 量子化学の近似における計算ボトルネックを軽減しつつ、正確性と物理的一致性を維持すること。

提案手法

• 量子力学に基づく手法で生成された合成データセットを活用して機械学習モデルを訓練する。
• 量子力学的原則にインspiredされたモデルアーキテクチャを採用することで、物理的一致性と転送可能性を確保する。
• 第一原理量子化学と統計的代理モデルを組み合わせることで、正確性と計算効率のバランスを図る。
• シュレーディンガー方程式の明示的解法なしに、複雑な量子性質を近似するための現代的な機械学習技術を活用する。
• 物理的対称性や保存則を埋め込むことで、CCSにおける多様な化学組成や幾何構造に一般化可能なモデルを設計する。
• ニューラルネットワークアーキテクチャに量子力学的知見を統合することで、性質予測における普遍性と信頼性を確保する。

実験結果

リサーチクエスチョン

• RQ1 量子機械学習モデルは、化学化合物空間全体にわたり分子性質を高い正確さで予測できるか？
• RQ2 物理にインスパイアされたアーキテクチャは、化学空間における機械学習モデルの転送性と一般化性をどのように向上させられるか？
• RQ3 QMLは、従来の量子化学手法と比較して、どの程度計算コストを削減できるか、物理的一致性を維持したままか？
• RQ4 合成された量子データは、化学化合物空間において訓練データセットを超えて一般化するモデルの学習に効果的に使えるか？
• RQ5 第一原理物理学は、大規模な化学空間探索において信頼性があり普遍的な予測を可能にする役割を果たすか？

主な発見

• QML手法は、量子力学的正確さと統計的効率性を組み合わせることで、化学化合物空間のスケーラブルな探索を可能にする。
• 物理にインスパイアされたモデルアーキテクチャは、多様な化学組成や幾何構造にわたる転送可能性と普遍性を保証する。
• 第一原理手法から生成された合成量子データは、機械学習モデルの訓練に信頼性があり包括的なデータを提供する。
• 最近のQMLの発展は、物理的予測の信頼性を損なわず、顕著な計算加速を実現している。
• 量子力学と機械学習の統合により、モデルの物理的一致性が保たれつつ、大規模な化学空間における迅速な性質予測が可能になる。
• QMLモデルは、効率的な代理モデル化によって、量子化学の近似における計算ボトルネックを克服する可能性を示している。