[論文レビュー] Transferable Machine Learning Potential X-MACE for Excited States using Integrated DeepSets

Rhyan Barrett, Christoph Ortner+1 more|ArXiv.org|Feb 18, 2025

Advanced Optical Sensing Technologies被引用数 4

ひとこと要約

X-MACEはDeepSetsベースのオートエンコーダーを用いて非滑らかな励起状態ポテンシャルエネルギー表面を学習し、基底状態モデルから励起状態への転移学習を可能にすることで、円錐交差付近の精度を向上させ、分子間転移を可能にします。

ABSTRACT

Conical intersections serve as critical gateways in photochemical reactions, enabling rapid nonradiative transitions between potential energy surfaces that underpin fundamental processes such as photosynthesis or vision. Their calculation with quantum chemistry is, however, extremely computationally intensive and their modeling with machine learning poses a significant challenge due to their inherently non-smooth and complex nature. To address this challenge, we introduce a deep learning architecture designed to precisely model excited states and improve their accuracy around these critical, non-smooth regions. Our model integrates Deep Sets into the Message Passing Atomic Cluster Expansion (MACE) framework resulting in a smooth representation of the non-smooth excited-state potential energy surfaces. We validate our method using numerous molecules, showcasing a significant improvement in accurately modeling the energy landscape around conical intersections compared to conventional excited-state models. Additionally, we apply ground-state foundational machine learning models as a basis for excited states. By doing so, we showcase that the developed model is capable of transferring not only from the ground state to excited states, but also within chemical space to molecular systems beyond those included in the training dataset. This advancement not only enhances the fidelity of excited-state modeling, but also lays the foundations for the investigation of more complex molecular systems.

研究の動機と目的

• Born-Oppenheimer分解が顕著な円錐交差近傍で励起状態ダイナミクスを正確にモデリングする必要性に動機づけられる。
• 非滑らかな励起状態ポテンシャルエネルギー面の滑らかな表現を提供するニューラルアーキテクチャを開発する。
• 化学空間全体で基底状態MACE表現を活用して励起状態への転移学習を可能にする。
• 円錐交差付近の精度を改善し、見たことのない分子や大きな発色団への転移性を評価する。

提案手法

• MACEフレームワークをDeepSetsベースのオートエンコーダーで拡張し、励起状態エネルギーから置換対称性不変関数のセットを学習する。
• ディープセッツエンコーダーを用いて断熱エネルギーを置換対称性不変潜在ベクトルとしてエンコードする。
• 潜在表現からエネルギー表面へデコードするために、潜在表現からエルミート行列を構築し固有値を計算する。
• MACE内のリードアウトブロックを使用して不変関数を予測し、それを励起のエネルギーへ写像する。
• X-MACE（オートエンコーダー有り/無し）をSchNarcおよびSPaiNNと比較し、クロモフォア、アルケン、メチリデンイムモニウムカチオンを含む複数データセットで評価する。
• 事前学習済みMACEモデルを小規模な励起状態データセットでファインチューニングして転移学習を実証する。

実験結果

リサーチクエスチョン

• RQ1 置換不変な集合表現は円錐交差近傍の非滑らかな励起状態表面のモデリングを改善するか。
• RQ2 オートエンコーダーを取り入れて滑らかな不変表現を学習することはエネルギー、力、非断熱結合の予測を改善するか。
• RQ3 基底状態事前学習モデルは化学空間全体へどの程度転移可能か。
• RQ4 X-MACEは精度とデータ効率の点で既存の励起状態モデル（SchNarc、SPaiNN）とどう比較されるか。
• RQ5 見たことのないクロモフォアや大きな分子系に対する転移学習は有効か。

主な発見

Model	System	Mean Absolute Error (MAE)	Energy (eV)	Force (eV/Å)	Smooth NACS (eV/Å)
SchNarc	Chromophores	1.648	-	-	-
SchNarc	Butene	0.07586	0.19102	0.14164	-
SchNarc	Ethene	0.05992	0.16944	0.19648	-
SchNarc	Methylenimmonium cation	0.1190	0.3800	0.4311	-
SPaiNN	Chromophores	0.5762	-	-	-
SPaiNN	Butene	0.0475	0.10285	0.135	-
SPaiNN	Ethene	0.02793	0.08249	0.2108	-
SPaiNN	Methylenimmonium cation	0.1018	0.3323	0.4231	-
E-MACE	Chromophores	0.13256	0.13790	-	-
E-MACE	Butene	0.02350	0.08859	0.10118	-
E-MACE	Ethene	0.0048	0.0359	0.1027	-
E-MACE	Methylenimmonium cation	0.1295	0.2639	0.2540	-

• オートエンコーダー付きのX-MACEは標準のMACEおよび既存の励起状態モデルと比べてエネルギーと力の誤差を大幅に低減する。
• エネルギー予測について、X-MACEは評価データセットでSchNarcより多くの場合オーダーオブマグニチュードの低い誤差を達成し、SPaiNNの約1/3程度の誤差となる。
• オートエンコーダーフレームワークはより滑らかな不変表現を生み出し、モデルサイズを削減しデータセット全体の誤差分布を低減する。
• 基底状態MACEの事前学習からの転移学習は、データが1%程度しかなくても正確な励起状態予測を実現し、データ不足の領域でのゼロからの学習より優れていた。
• 見たことのないクロモフォアへの転移は、基底状態事前学習によりエネルギーで約30%、力で約15%の誤差低減を示し、堅牢な跨ドメイン一般化を示唆する。
• データセット全体で、X-MACEは一般にエネルギーと力の点でSchNarcおよびSPaiNNを上回り、非断熱結合予測についてはそれらに匹敵または上回る。