[論文レビュー] Universal Machine Learning Interatomic Potentials are Ready for Phonons

Antoine Loew, Dewen Sun+3 more|arXiv (Cornell University)|Dec 21, 2024

Machine Learning in Materials Science被引用数 4

ひとこと要約

本稿は、約10,000件のab initio phonon計算を用いて、7種類の汎用的機械学習原子間ポテンシャル（uMLIPs）のフォノン特性予測性能をベンチマークしている。平衡状態におけるエネルギーおよび力の予測で優れた性能を示すものの、いくつかのモデルはフォノン周波数や熱力学的性質において顕著な誤差を示しており、これは、基底状態の性質を超えて振動応答を明示的に学習させる必要があることを示唆している。

ABSTRACT

There has been an ongoing race for the past several years to develop the best universal machinelearning interatomic potential. This progress has led to increasingly accurate models for predictingenergy, forces, and stresses, combining innovative architectures with big data. Here, we benchmarkthese models on their ability to predict harmonic phonon properties, which are critical for under-standing the vibrational and thermal behavior of materials. Using around 10 000 ab initio phononcalculations, we evaluate model performance across various phonon-related parameters to test theuniversal applicability of these models. The results reveal that some models achieve high accuracyin predicting harmonic phonon properties. However, others still exhibit substantial inaccuracies,even if they excel in the prediction of the energy and the forces for materials close to dynamicalequilibrium. These findings highlight the importance of considering phonon-related properties inthe development of universal machine learning interatomic potentials.

研究の動機と目的

• 最先端の汎用的機械学習原子間ポテンシャル（uMLIPs）がフォノン特性を予測する性能を評価すること。
• 主に平衡構造に訓練されたuMLIPsが、フォノンに不可欠なポテンシャルエネルギー面の2次微分を正確に捉えられるかどうかを特定すること。
• フォノン計算における予測精度、計算効率、多様な材料への一般化性能の間のトレードオフを評価すること。
• 将来のuMLIP開発およびベンチマークを支援するための標準化されたフォノンデータセットとコードを提供すること。

提案手法

• 10,000の材料についてPBE汎関数を用いたDFT計算を基に、phonopyパッケージを用いて有限変位法により力定数およびフォノン分散を計算した。
• すべてのuMLIPsは同一のPBE最適化構造を用いて評価され、幾何最適化はASEのFIREアルゴリズム、空間群対称性の維持はFretchCellFilterを用いた。
• 300 Kにおける20×20×20のqグリッド上でフォノン状態密度のフーリエ補間を用いて、熱力学的性質（振動的エントロピー、ヘルムホルツ自由エネルギー、比熱）を計算した。
• MDRおよびMPtrjデータベースから得た10,000種類の多様な材料のデータセットを用い、訓練データサイズは188k〜110M構造の範囲であった。
• ベンチマークには7種類のuMLIPsが含まれる：M3GNet、MACE、CHGNet、MatterSim、SevenNet、ORB、OMat24。各モデルについてエネルギー、力、フォノン周波数、熱力学的性質の評価が行われた。
• すべてのモデルはオープンソースであり、全フォノンデータセットは、クリエイティブ・コモンズ・アトリビューション4.0ライセンスの下でAlexandriaに公開された。

Figure 1: Distribution of (a) number of different chemical elements per unit cell, (b) crystal systems, and (c) band gaps calculated with the PBE functional for all the materials in the dataset.

実験結果

リサーチクエスチョン

• RQ1 汎用的機械学習原子間ポテンシャルは、広範な材料においてフォノン周波数および熱力学的性質を正確に予測できるか？
• RQ2 エネルギーおよび力の予測で高い精度を示す一部のuMLIPsが、なぜフォノン特性の予測で失敗するのか？
• RQ3 uMLIPsの計算効率およびアーキテクチャ設計は、フォノン予測精度とどのように相関しているか？
• RQ4 非平衡状態の訓練データを含めることで、uMLIPsのフォノン特性予測精度はどの程度向上するか？

主な発見

• MatterSimと、若干低いがSevenNetが、フォノン周波数予測において最高の精度を示し、分散が小さく、PBE基準値からの系統的偏差も最小であった。
• M3GNetやCHGNetなど、いくつかのモデルは、平衡状態におけるエネルギーおよび力の予測で優れた性能を示しているものの、フォノン周波数の予測で顕著な誤差を示した。
• 明示的な非平衡状態データを含まない訓練で学習されたモデルは、フォノン特性においてより大きな誤差を示しており、標準的な訓練プロトコルでは曲率情報が十分に捉えられていないことが示された。
• M3GNetは最も高速なモデルであり、単一のCPUコアでもGPUアクセラレートモデルを上回る性能を示したが、OMat24およびMACEはテストされたuMLIPsの中で最も遅かった。
• 本研究では、平衡構造にのみ訓練されたuMLIPsではフォノン特性が信頼性なく予測されることを明らかにした。今後の訓練において、曲率に敏感なデータを含める必要があることが強調された。
• 著者らは、約10,000種類の材料および関連コードを含む包括的なフォノンデータセットを公開し、将来のuMLIP開発およびベンチマークを支援した。

Figure 2: Periodic tables showing the frequency of the chemical elements in the structures from the dataset. Elements in gray are absent from the dataset.