[論文レビュー] Transferable Molecular Charge Assignment Using Deep Neural Networks

Ben Nebgen, Nick Lubbers+7 more|arXiv (Cornell University)|Mar 12, 2018

Machine Learning in Materials Science被引用数 3

ひとこと要約

本論文では、多様な分子構造および電荷配分スキームにわたって高い精度で原子電荷を予測するため、HIP-NNニューラルネットワークアーキテクチャを用いた深層学習手法を提案する。この手法は、DFTの約104倍の高速さで量子レベルの精度を達成し、分子動力学トラジェクトリから赤外線スペクトルの効率的なシミュレーションを可能にするとともに、分子間および非平衡幾何構造においても高い汎用性を示す。

ABSTRACT

We use HIP-NN, a neural network architecture that excels at predicting molecular energies, to predict atomic charges. The charge predictions are accurate over a wide range of molecules (both small and large) and for a diverse set of charge assignment schemes. To demonstrate the power of charge prediction on non-equilibrium geometries, we use HIP-NN to generate IR spectra from dynamical trajectories on a variety of molecules. The results are in good agreement with reference IR spectra produced by traditional theoretical methods. Critically, for this application, HIP-NN charge predictions are about 104 times faster than direct DFT charge calculations. Thus, ML provides a pathway to greatly increase the range of feasible simulations while retaining quantum-level accuracy. In summary, our results provide further evidence that machine learning can replicate high-level quantum calculations at a tiny fraction of the computational cost.

研究の動機と目的

• 幅広い分子および電荷割り当てスキームにわたって正確に原子電荷を予測できる機械学習モデルの開発。
• 計算コストの高いDFT電荷計算を置き換えることで、分子性質（例：赤外線スペクトル）の効率的シミュレーションを可能にすること。
• 多様な分子構造および非平衡幾何構造にわたる電荷予測の汎用性を示すこと。
• 従来の手法に比べて大幅に計算コストを削減しつつ、量子レベルの精度で電荷予測を達成すること。

提案手法

• HIP-NNニューラルネットワークアーキテクチャを用い、分子の幾何構造と原子の種別から直接原子電荷を予測する。
• 小規模から大規模なシステムまで多様な分子をカバーするデータセットを用いてモデルを学習する。
• 予測された電荷から双極子モーメントを計算し、時間に依存する双極子応答を用いて赤外線スペクトルをシミュレートする。
• 従来の量子化学的手法で計算された基準スペクトルと比較することで、予測スペクトルの妥当性を検証する。
• HIP-NNの推論時間と直接的なDFT電荷計算との比較により、計算効率をベンチマークする。
• 分子動力学トラジェクトリから抽出した非平衡幾何構造を用いて、モデルの頑健性および汎用性を評価する。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークは、広範な分子構造および電荷配分スキームにわたって正確に原子電荷を予測できるか？
• RQ2 HIP-NNモデルは、分子動力学トラジェクトリからの赤外線スペクトル予測において、DFTと比較してどの程度優れているか？
• RQ3 電荷予測モデルは、非平衡幾何構造および多様な分子系にどの程度汎用性を示すか？
• RQ4 MLベースの手法は、直接的なDFT電荷計算に比べてどの程度の計算スピードアップを達成できるか？

主な発見

• HIP-NNモデルは、小規模および大規模な分子を含む多様な分子において、高い精度で原子電荷を予測する。
• 分子動力学トラジェクトリからの予測された赤外線スペクトルは、従来の理論的手法で計算された基準スペクトルと強く一致する。
• HIP-NNを用いた電荷予測は、直接的なDFT電荷計算の約10,000倍の高速さを達成し、大規模シミュレーションを可能にする。
• モデルは非平衡幾何構造に対しても高い汎用性を示し、再訓練なしに精度を維持する。
• 本手法により、計算コストを大幅に削減しつつも、分子性質予測において量子レベルの精度を実現できる。