[논문 리뷰] A Foundational Potential Energy Surface Dataset for Materials

Aaron D. Kaplan, Runze Liu외 7명|ArXiv.org|2025. 03. 06.

Machine Learning in Materials Science인용 수 7

한 줄 요약

본 논문은 MatPES를 소개합니다. 이는 오픈 기초 PES 데이터세트로 약 434k PBE 및 약 388k r2SCAN 구조를 포함하며, MatPES에서 학습된 UMLIPs가 더 크고 정확하지 않은 데이터세트에서 학습된 경우보다 우수한 성능을 보임을 보인다.

ABSTRACT

Accurate potential energy surface (PES) descriptions are essential for atomistic simulations of materials. Universal machine learning interatomic potentials (UMLIPs)$^{1-3}$ offer a computationally efficient alternative to density functional theory (DFT)$^4$ for PES modeling across the periodic table. However, their accuracy today is fundamentally constrained due to a reliance on DFT relaxation data.$^{5,6}$ Here, we introduce MatPES, a foundational PES dataset comprising $\sim 400,000$ structures carefully sampled from 281 million molecular dynamics snapshots that span 16 billion atomic environments. We demonstrate that UMLIPs trained on the modestly sized MatPES dataset can rival, or even outperform, prior models trained on much larger datasets across a broad range of equilibrium, near-equilibrium, and molecular dynamics property benchmarks. We also introduce the first high-fidelity PES dataset based on the revised regularized strongly constrained and appropriately normed (r$^2$SCAN) functional$^7$ with greatly improved descriptions of interatomic bonding. The open source MatPES initiative emphasizes the importance of data quality over quantity in materials science and enables broad community-driven advancements toward more reliable, generalizable, and efficient UMLIPs for large-scale materials discovery and design.

연구 동기 및 목표

• 기존 PES 데이터세트(MPRelax 등)가 UMLIP의 정확도와 전달 가능성에 편향을 주는 한계를 해결한다.
• 개선된 DFT 설명(PBE 및 r2SCAN)을 갖춘 고품질의 화학적으로 다양한 PES 데이터세트를 생성한다.
• MatPES에서 학습된 UMLIPs가 더 적은 구조로도 비슷하거나 더 우수한 정확도를 달성하는지 보여준다.
• 재료 탐색을 위한 UMLIPs의 커뮤니티 주도 개발을 촉진하기 위한 오픈 소스 도구와 벤치마크를 제공한다.

제안 방법

• 사전 학습된 M3GNet UMLIP를 이용해 281백만 구조의 MD 샘플링을 통한 포괄적 구성 공간을 생성한다.
• 구조적 및 원자 환경을 포괄하는 대표 구조를 선택하기 위해 향상된 2DIRECT 샘플링을 적용한다.
• VASP를 사용해 504,811 구조에 대해 PBE 및 r2SCAN으로 고충실도 단일점 에너지, 힘, 응력을 계산한다.
• MatPES PBE 및 MatPES r2SCAN에서 UMLIPs(M3GNet, CHGNet, TensorNet)를 학습하고 이를 MPRelax 및 OMat24 기준선과 비교 평가한다.
• MatCalc 벤치마크를 사용해 평형, 근평형, 및 MD 특성 범위에서 벤치마크를 수행한다(지문 거리, 형성 에너지, 모듈러스, CV, MD 안정성, 이온 전도도).

실험 결과

연구 질문

• RQ1 정확하고 중간 규모의 PES 데이터세트가 매우 크고 노이즈가 많은 데이터세트에서 학습된 모델과 경쟁하거나 능가하는 UMLIPs를 도출할 수 있는가?
• RQ2 MatPES에 더 높은 정확도의 DFT 기능( r2SCAN )을 포함시키면 원소와 결합 체계 전반의 PES 설명이 향상되는가?
• RQ3 MatPES로 학습된 UMLIPs가 MPRelax/OMat24 데이터세트로 학습된 모델보다 MD 안정성과 더 신뢰할 수 있는 동적 특성을 제공하는가?
• RQ4 대규모 재료 발견에서 데이터의 품질 대 양의 가치는 무엇인가?

주요 결과

UMLIP 아키텍처	에너지 MAE (meV 원자-1) (train/val/test)	힘 MAE (meV Å-1) (train/val/test)	응력 MAE (GPa) (train/val/test)	자기모멘트 MAE (μB)
MatPES PBE M3GNet	40/45/45	155/177/181	0.734/0.898/0.888	N/A
MatPES PBE CHGNet	27/32/31	81/124/136	0.375/0.617/0.642	0.066/0.067/0.066
MatPES PBE TensorNet	33/36/36	121/138/148	0.602/0.695/0.700	N/A
MatPES r2SCAN M3GNet	38/45/44	172/208/210	0.774/0.982/0.970	N/A
MatPES r2SCAN CHGNet	26/27/30	86/150/156	0.359/0.705/0.735	0.067/0.066/0.072
MatPES r2SCAN TensorNet	32/34/34	139/163/163	0.653/0.754/0.754	N/A
MPF M3GNet	20/23/334	63/72/297	0.259/0.399/2.026	N/A
MPF TensorNet	29/29/316	78/83/289	0.361/0.471/1.984	N/A
MPtrj CHGNet	26/30/698	49/70/265	0.173/0.297/1.872	0.036/0.037/0.038
OMat24 TensorNet	23/26/202	111/116/186	0.565/0.584/1.151	N/A

• MatPES로 학습된 UMLIPs가 평형, 근평형, 및 MD 벤치마크에서 MPRelax- 및 OMat24-학습 대비 우수하다.
• MatPES PBE UMLIPs가 테스트 세트 오차를 더 낮추고 과적합이 거의 없는 양상을 보인다(학습/검증/테스트 MAE가 서로 가까움).
• r2SCAN 기반의 MatPES 데이터세트가 결합 설명을 개선하고 속성 전반에서 비슷하거나 더 나은 성능을 제공한다.
• MD 안정성은 MatPES UMLIPs에서 더 높고, 고온 MD 실행에서 MPRelax/OMat24 기준보다 더 적은 종료를 보인다.
• Equivariant TensorNet 모델은 일반적으로 MatPES 내 비등가(invariant) 아키텍처보다 MD 안정성 및 전도도 예측이 더 우수한 경향을 보인다.
• MatCalc 벤치마크 모음은 광범위한 다 특성 개선을 시사하며 데이터 품질이 데이터세트의 크기보다 중요하다는 점을 강조한다.