[論文レビュー] Transition1x -- a Dataset for Building Generalizable Reactive Machine Learning Potentials

Mathias Schreiner, Arghya Bhowmik+3 more|arXiv (Cornell University)|Jul 25, 2022

Machine Learning in Materials Science被引用数 8

ひとこと要約

Transition1x は、反応パスをカバーする数百万の分子配置からなる大規模な DFT 生成データセットであり、Nudged Elastic Band (NEB) 法および CINEB 法を用いて、ポテンシャルエネルギー表面の遷移状態および高エネルギー領域を体系的にサンプリングすることで構築されたものである。このデータセットにより、ANI1x や QM9x よりも優れた遷移状態の精度を達成する汎用性の高い反応性機械学習ポテンシャルの学習が可能となり、特に反応エネルギー障壁や反応ダイナミクスのモデル化において顕著な性能向上が得られる。

ABSTRACT

Machine Learning (ML) models have, in contrast to their usefulness in molecular dynamics studies, had limited success as surrogate potentials for reaction barrier search. It is due to the scarcity of training data in relevant transition state regions of chemical space. Currently, available datasets for training ML models on small molecular systems almost exclusively contain configurations at or near equilibrium. In this work, we present the dataset Transition1x containing 9.6 million Density Functional Theory (DFT) calculations of forces and energies of molecular configurations on and around reaction pathways at the wB97x/6-31G(d) level of theory. The data was generated by running Nudged Elastic Band (NEB) calculations with DFT on 10k reactions while saving intermediate calculations. We train state-of-the-art equivariant graph message-passing neural network models on Transition1x and cross-validate on the popular ANI1x and QM9 datasets. We show that ML models cannot learn features in transition-state regions solely by training on hitherto popular benchmark datasets. Transition1x is a new challenging benchmark that will provide an important step towards developing next-generation ML force fields that also work far away from equilibrium configurations and reactive systems.

研究の動機と目的

• 反応性機械学習ポテンシャルの学習に適した包括的で高品質な訓練データの不足を解消すること。
• ANI1x や QM9x といった既存のデータセットが、反応機構のモデル化に不可欠な遷移状態や非平衡配置を十分にサンプリングしていないという限界を克服すること。
• NEB および CINEB を用いたスケーラブルで体系的なデータ生成パイプラインを構築し、高精度で複雑なポテンシャルエネルギー表面を探索すること。
• ANI1x や QM9x と互換性を持つデータセットを提供し、ハイブリッド学習によって反応性動力学のモデル化における汎用性と性能を向上させること。

提案手法

• 本データセットは、Grambow ら (2020) の GDB7 ベースのデータセットから抽出された 11,961 種の有機反応に基づくもので、H、C、N、O 原子のすべての組み合わせをカバーしている。
• 反応物および生成物の幾何学的配置は、力閾値 0.01 eV/Å を用いた BFGS 最適化法で最初に最適化し、次に IDPP を用いて物理的に妥当な反応経路を初期生成する。
• Nudged Elastic Band (NEB) 法を用いて最小エネルギー経路 (MEP) を最適化し、500 イテレーションにわたって収束を確認する。収束しない経路は破棄される。
• NEB の後続処理として CINEB を適用し、真の MEP への収束を保証するとともに、複雑な反応座標の特徴を捉える。
• 収束した経路からのすべての中間配置は、以前に保存されたものと十分に異なる場合に限り保存され、ポテンシャルエネルギー表面の多様で重複のないサンプリングが保証される。
• すべての電子構造計算は ORCA 5.0.2 を用い、ωB97X-D3/6-31G(d) の理論レベルで実施され、高精度と ANI1x との互換性を確保している。

実験結果

リサーチクエスチョン

• RQ1 MD に基づくまたはランダムサンプリング手法と比較して、NEB を用いたデータ生成法は、反応性機械学習ポテンシャルの学習に適した、より代表的で多様な遷移状態および高エネルギー配置のデータセットを生成できるか？
• RQ2 ANI1x や QM9x で学習させた機械学習モデルと比較して、Transition1x で学習させたモデルの遷移状態および反応エネルギー障壁の予測性能はどの程度向上するか？
• RQ3 NEB で生成された配置の組み込みにより、多様な反応種類およびエネルギー領域にわたる機械学習ポテンシャルの汎用性はどの程度向上するか？
• RQ4 Transition1x を ANI1x と効果的に統合してハイブリッド学習に用いることで、反応ダイナミクスシミュレーションにおけるモデルの表現力と精度が向上するか？

主な発見

• Transition1x で学習したモデルは、ANI1x や QM9x で学習したモデルと比較して、テストデータにおける遷移状態の予測性能が顕著に優れており、平均絶対誤差が著しく低減されている。
• NEB を用いたデータ生成法により、特に極端で高エネルギー領域における原子間距離が、ANI1x で用いられるランダム摂動法よりも現実的である。
• Transition1x は、重原子間の原子間距離の分布を ANI1x よりも広くカバーしており、特に結合の切断・形成に相当する領域で顕著である。これは反応モデル化に不可欠な特徴である。
• ANI1x は遷移状態領域を十分にサンプリングしていないため、汎用性に欠ける。ANI1x で学習したモデルは Transition1x のテストデータに対して高い誤差を示しており、反応的配置のカバー不足が原因であることが示された。
• QM9x で学習したモデルは、平衡配置に特化しているため、ANI1x や Transition1x の両方で性能が著しく劣り、反応性ポテンシャル学習における非平衡データの必要性が浮き彫りにされた。
• Transition1x と ANI1x の相互運用性により、ハイブリッド学習が可能となり、両データセットを併用して学習したモデルは性能が向上した。これは、多様なデータソースを統合することで相乗効果が得られることを示唆している。