[論文レビュー] Unified Representation of Molecules and Crystals for Machine Learning

Haoyan Huo, Matthias Rupp|arXiv (Cornell University)|Apr 21, 2017

Machine Learning in Materials Science参考文献 29被引用数 97

ひとこと要約

本論文は MBTR（多体テンソル表現）を導入し、分子と結晶の両方に対する正確な ML 補間を可能にし、エネルギー/力の予測と相図のアプリケーションで競争力を示す。

ABSTRACT

Accurate simulations of atomistic systems from first principles are limited by computational cost. In high-throughput settings, machine learning can reduce these costs significantly by accurately interpolating between reference calculations. For this, kernel learning approaches crucially require a representation that accommodates arbitrary atomistic systems. We introduce a many-body tensor representation that is invariant to translations, rotations, and nuclear permutations of same elements, unique, differentiable, can represent molecules and crystals, and is fast to compute. Empirical evidence for competitive energy and force prediction errors is presented for changes in molecular structure, crystal chemistry, and molecular dynamics using kernel regression and symmetric gradient-domain machine learning as models. Applicability is demonstrated for phase diagrams of Pt-group/transition-metal binary systems.

研究の動機と目的

• 化学と材料科学における第一原理原子スケールシミュレーションのコストを削減するために機械学習を動機づける。
• 有限系と周期系の両方を表現できる、単一で不変かつ微分可能な記述子を開発する。
• カーネル回帰と勾配ベース学習をサポートする拡張可能な表現を提案する。
• MBTR の分子エネルギー/極化率の精度と結晶形成エネルギーを実証し、アクティブ学習を介して相図への適用性を示す。

提案手法

• MBTR を、多体展開を用いたクーロンマトリクスとバッグ・オブ・ボンドの概念の一般化として定義する。
• 選択したカーネル（例: ガウス）を用いて、要素別分布とブロードニングを用いて k-体項 f_k(x, z) を符号化する。
• 異なる元素間のアルケミカル学習を可能にするため、元素相関行列 C を組み込む。
• 連続軸を離散化して、微分可能でカーネル/リッジ回帰に適したテンソル表現を得る。
• 周期系を扱う際には単位胞の制約と収束を確保する重み付けを課す。
• MBTR からの力を解析的勾配を導出するか、自動微分を用いる（Eq. 6）。
• エネルギーと力の予測を含め、カーネルリッジ回帰と sGDML フレームワークを用いて、MBTR を他の記述子と比較する。

実験結果

リサーチクエスチョン

• RQ1 MBTR は分子系と結晶系の両方に対して、不変で一意、連続、微分可能、かつ高速に計算できる普遍的な記述子を提供できるか？
• RQ2 既存の表現と比較して、MBTR が分子の遊離エネルギー（原子化エネルギー）と極化率を予測する性能はどうか？
• RQ3 多元素合金を含む結晶系の形成エネルギー予測における MBTR の有効性はどの程度か？
• RQ4 MBTR ベースのモデルをアクティブ学習と組み合わせて材料の相図を効率的に構築できるか？
• RQ5 ダイナミクスと幾何学補間における MBTR ベースの力/ポテンシャル予測は、他の ML ポテンシャルとどう比較されるか？

主な発見

• MBTR は、小さな有機分子集合に対して、原子化エネルギーの化学精度に類する誤差（サブ1 kcal/mol MAE）と、極化率の ~0.07 Å^3 MAE を達成する。
• 線形回帰を用いたMBTRは、分子ジオメトリの変化に対するエネルギー/力予測で競争力があり、非線形カーネルや sGDML フレームワークを用いるとさらに利得を示す。
• エルパソライト結晶（ABC2D6、要素12種）に対して MBTR は形成エネルギーを、訓練データ9kで RMSE 約8.1 meV/原子、 MAE 約4.7 meV/原子と予測する。
• 4,611構造の三元合金集合へ拡張すると RMSE が ~23–31 meV/原子、 MAE が ~15–23 meV/原子へ増加し、化学的複雑性に対するスケーラビリティを示す。
• アクティブ学習スキームにより必要なDFT評価を最大48%削減しつつ、Ag-Pt相図の凸包を正しく識別する。
• MBTR は sGDML を強化し、力/エネルギー予測を改善し、特に訓練データが限られている場合に、最大で50–60%の誤差削減を示す。