[논문 리뷰] A Deep-learning Model for Fast Prediction of Vacancy Formation in Diverse Materials

Kamal Choudhary, Bobby G. Sumpter|arXiv (Cornell University)|2022. 05. 17.

Machine Learning in Materials Science참고 문헌 39인용 수 5

한 줄 요약

이 논문은 완벽한 물질들로만 훈련된 그래프 신경망(ALIGNN) 모델을 제시하며, 보정 없이 다양한 물질의 균열 형성 에너지를 직접 예측한다. 평균 절대 오차(MAE)는 1.0 eV를 기록한다. 이 방법을 통해 JARVIS-DFT 데이터베이스에 포함된 55,723종의 물질에서 192,494개의 균열 형성 에너지를 빠르게 대규모로 예측할 수 있으며, 결함 공학을 위한 기준 데이터셋을 구축한다.

ABSTRACT

The presence of point defects such as vacancies plays an important role in material design. Here, we demonstrate that a graph neural network (GNN) model trained only on perfect materials can also be used to predict vacancy formation energies ($E_{vac}$) of defect structures without the need for additional training data. Such GNN-based predictions are considerably faster than density functional theory (DFT) calculations with reasonable accuracy and show the potential that GNNs are able to capture a functional form for energy predictions. To test this strategy, we developed a DFT dataset of 508 $E_{vac}$ consisting of 3D elemental solids, alloys, oxides, nitrides, and 2D monolayer materials. We analyzed and discussed the applicability of such direct and fast predictions. We applied the model to predict 192494 $E_{vac}$ for 55723 materials in the JARVIS-DFT database.

연구 동기 및 목표

• 결함 특이적 훈련 데이터가 필요 없이 다양한 물질에서 균열 형성 에너지를 신속하고 일반화 가능한 방법으로 예측하는 데 목적이 있다.
• 완전한 물질에 대해 사전 훈련된 그래프 신경망(ALIGNN)이 균열 형성 에너지와 같은 결함 성질을 정확하게 예측할 수 있는지 테스트하는 것이다.
• DFT와 딥 러닝을 활용해 물질 설계를 위한 공개 가능한 대규모 균열 형성 에너지 데이터셋을 생성하는 것이다.
• 원소 고체, 산화물, 합금, 2D 물질를 포함한 다양한 물질 계열에서 모델 성능을 평가하는 것이다.
• 훈련 데이터 크기와 모델 일반화 능력이 결함 에너지 예측 정확도에 미치는 영향을 평가하는 것이다.

제안 방법

• JARVIS-DFT 데이터셋의 완전한 물질에 대해 총 원자 에너지를 훈련한 사전 훈련된 원자 구조 선형 그래프 신경망( ALIGNN) 모델을 추가 보정 없이 그대로 적용하여 균열 형성 에너지를 예측한다.
• 결정 구조는 원자를 노드로, 결합을 간선으로 하는 그래프로 표현되며, 노드당 9개의 원자 특징과 반경 기저 함수를 사용한 8 Å 이내의 결합 거리를 간선 특징으로 사용한다.
• 모델은 간선 게이팅된 그래프 컨볼루션 레이어를 사용하여 그래프 내에서 메시지를 전파하며, 각 레이어에서 학습된 함수를 통해 노드 및 간선 특징을 갱신한다.
• 균열 구조는 초세계에서 최소 8 Å 간격을 확보한 초세계의 고유한 유크오프 위치에서 한 원자를 제거하여 생성하였으며, JARVIS-Tools 패키지를 사용하였다.
• 테스트 데이터셋(508개 항목)에 대한 DFT 계산은 VASP에서 OptB88vdW 함수형과 PAW 방법을 사용하였으며, 에너지 수렴 임계치는 10⁻⁶ eV이고 적절한 k-포인트 격자를 사용하였다.
• 예측 정확도를 향상시키기 위해 히우리스틱 스시어-시프트 보정을 적용하여 일부 경우에서 평균 절대 오차를 1.0 eV에서 0.8 eV로 감소시켰다.

실험 결과

연구 질문

• RQ1 완전한 물질에 대해 사전 훈련된 그래프 신경망이 추가 보정 없이도 균열 형성 에너지를 정확하게 예측할 수 있는가?
• RQ2 원소 고체, 산화물, 합금, 2D 물질와 같은 다양한 물질 계열에서 모델 성능은 어떻게 달라지는가?
• RQ3 완전한 물질 데이터의 훈련 데이터셋 크기가 균열 형성 에너지 예측 정확도에 어떤 영향을 미치는가?
• RQ4 모델 성능은 DFT 기준과 비교해 어떻게 되며, 단순한 후처리 보정이 정확도 향상에 기여하는가?
• RQ5 이 방법은 다양한 물질에 걸쳐 대규모이고 종합적인 균열 형성 에너지 데이터베이스를 생성하는 데 스케일링 가능한가?

주요 결과

• ALIGNN 모델은 보정 없이도 508개의 DFT로 계산된 결함 구조에서 평균 절대 오차(MAE)가 1.0 eV로 균열 형성 에너지를 예측하였다.
• 2D 단층과 산화물에서 원소 고체와 합금보다 더 뛰어난 성능을 보였으며, 이는 전자 구조와 결합 특성의 차이 때문일 수 있다.
• 완전한 물질 데이터의 100%로 에너지-원자당 모델을 훈련한 결과 MAE는 1.0 eV였고, 훈련 데이터를 20%로 줄이면 오차는 1.20 eV로 증가하여 더 큰 데이터셋으로의 향상 여력이 있음을 시사했다.
• 스시어-시프트 보정을 적용함으로써 일부 물질 계열에서 MAE가 0.8 eV로 감소하여 단순한 후처리 조정의 가치를 입증하였다.
• 이 방법을 통해 JARVIS-DFT 데이터베이스의 55,723종의 물질에서 192,494개의 균열 형성 에너지를 예측할 수 있었으며, 지금까지 공개된 바 없는 가장 큰 결함 성질 데이터셋을 구축하였다.
• 히스토그램 분석 결과 균열 형성 에너지가 약 2 eV에서 피크를 보이며, 높은 균열 형성 에너지와 낮은 원자당 형성 에너지 및 넓은 금속 간극 간의 상관관계를 확인하였다.