[論文レビュー] Space-Filling Curves as a Novel Crystal Structure Representation for Machine Learning Models

Dipti Jasrasaria, Edward O. Pyzer‐Knapp+2 more|arXiv (Cornell University)|Aug 19, 2016

Computational Drug Discovery Methods参考文献 3被引用数 5

ひとこと要約

本稿では、モーテン空間埋め込み曲線を用いたSFC-M系結晶構造表現を導入し、有機分子結晶の固体状態性質を機械学習モデルで予測可能にする。3次元原子座標を空間局所性を保ったまま1次元ベクトルに符号化することで、SFC-M3はDFT単一ポイントエネルギーの上位順位付けにおいて15%のリCALL率0.88を達成し、ベースラインの格子エネルギーおよび他のSFC-Mバリアントを著しく上回った。

ABSTRACT

A fundamental problem in applying machine learning techniques for chemical problems is to find suitable representations for molecular and crystal structures. While the structure representations based on atom connectivities are prevalent for molecules, two-dimensional descriptors are not suitable for describing molecular crystals. In this work, we introduce the SFC-M family of feature representations, which are based on Morton space-filling curves, as an alternative means of representing crystal structures. Latent Semantic Indexing (LSI) was employed in a novel setting to reduce sparsity of feature representations. The quality of the SFC-M representations were assessed by using them in combination with artificial neural networks to predict Density Functional Theory (DFT) single point, Ewald summed, lattice, and many-body dispersion energies of 839 organic molecular crystal unit cells from the Cambridge Structural Database that consist of the elements C, H, N, and O. Promising initial results suggest that the SFC-M representations merit further exploration to improve its ability to predict solid-state properties of organic crystal structures

研究の動機と目的

• 機械学習における有機分子結晶の有効な3次元構造表現の不足に取り組む。
• 固体状態性質に及ぼす3次元結晶格子効果を捉えることができない2次元分子記述子の限界を克服する。
• 空間局所性を保持するデータ駆動型で一般化可能な特徴表現を開発する。
• DFTに比べて予測速度を向上させることで、有機結晶候補のスループットスクリーニングを可能にする。
• スパースなSFC-M特徴ベクトルの次元削減にための潜在的意味インデックス（LSI）の新規応用を検討する。

提案手法

• 3次元原子座標を空間局所性を保持したまま1次元特徴ベクトルにマップするモーテン空間埋め込み曲線（SFC-M）を用いて結晶構造を表現する。
• 解像度と原子記述子の複雑さを段階的に高めたSFC-M1、SFC-M2、SFC-M3のバリエーションを生成する。
• スパースなSFC-M特徴ベクトルのスパarsityを低減するために潜在的意味インデックス（LSI）を適用し、モデルの一般化性能を向上させる。
• SFC-M特徴量を用いて、DFTで計算された単一ポイントエネルギー、エワルドエネルギー、格子エネルギー、多数体分散エネルギーを予測する多層パーセプトロン（MLP）ニューラルネットワークを訓練する。
• 839個の有機分子結晶ユニットセル（CSDより収集）を用いた10分割交差検証により、モデル性能を評価する。
• 非ゼロインデックスにのみ作用するスケーラブルなLSIの変種を実装し、大規模かつスパースなデータセットの効率的処理を可能にする。

実験結果

リサーチクエスチョン

• RQ1 空間埋め込み曲線は、機械学習に適したロバストで、損失なしかつ可逆的な3次元結晶構造表現を提供できるか？
• RQ2 SFC-M表現は、有機分子結晶の固体状態エネルギーを予測する際、従来の結晶記述子と比べてどのように優れているか？
• RQ3 LSIは、スパースなSFC-M特徴ベクトルを用いた機械学習モデルの性能をどの程度向上させるか？
• RQ4 SFC-M表現は、材料発見のための正確な高速スクリーニングを可能にするか？
• RQ5 SFC-M3は、他のSFC-Mバリアントおよびベースラインの格子エネルギーに比べ、DFTエネルギーに基づく結晶安定性の順位付けで優れた性能を示すか？

主な発見

• SFC-M3は、DFT単一ポイントエネルギーの上位構造を特定する際、15%のリCALL率0.88を達成し、格子エネルギーベースライン（0.50）および他のSFC-Mバリアントを著しく上回った。
• SFC-Mファミリーにより、DFT計算に比べ2〜3桁速い固体状態エネルギーの機械学習予測が可能となった。
• 潜在的意味インデックス（LSI）は、SFC-M特徴ベクトルのスパarsityを効果的に低減し、モデル性能とスケーラビリティを向上させた。
• SFC-M表現は一般化可能であり、ユニットセルのサイズや種類に依存せず、トレーニングセットに多様な例が含まれていれば成立する。
• SFC-M3は結晶安定性の順位付けにおいて優れた性能を示し、計算ファネルリングスキームへの応用の可能性が強く示唆された。
• 本研究は、空間埋め込み曲線とLSIを材料機械学習に応用するための新規フレームワークを確立し、今後の拡張（より大きな要素や電子密度特徴への応用）への道筋を示した。