[논문 리뷰] A reactive neural network framework for water-loaded acidic zeolites

Andreas Erlebach, Martin Šípka외 4명|arXiv (Cornell University)|2023. 07. 03.

Machine Learning in Materials Science참고 문헌 83인용 수 4

한 줄 요약

이 논문은 실험적으로 관련된 조건에서 수분을 포함한 프로톤성 알루미노규소질 세올라이트에 대한 일반적인 반응성 신경망 포텐셜(NNP)을 소개한다. 이는 다양한 Si/Al 비율과 수분 농도에서 정확하고 확장 가능한 아비-아이오 수준의 동역학 시뮬레이션을 가능하게 하며, 집합적 결함 형성 메커니즘의 발견과 데이터 효율적인 $\boldsymbol{\triangle}$-학습 및 희귀 사건 시뮬레이션을 위한 기계학습 기반 집합 변수를 가능하게 한다.

ABSTRACT

<strong>Content (Creative Commons Attribution 4.0 International</strong><strong>):</strong> Energy and force data (ASE trajectory files) calculated at the DFT (SCAN+D3(BJ)), NNP and ReaxFF level for error statistics of the NNP generalization tests Trajectories of NNP level MD simulations (ASE trajectory files) for all generalization tests Trajectories for all NEB calculations Trained Neural Network Potentials NNPs including the Δ-learned model (SchNetPack, version 1.0) are available in another Zenodo repository version under CC BY-NC-SA 4.0 license (https://doi.org/10.5281/zenodo.8139369) for non-commercial use only.

연구 동기 및 목표

• 실험적으로 관련된 조건에서 브뢴스테드 산성 세올라이트 전체 클래스에 대한 일반 목적의 반응성 신경망 포텐셜(NNP)을 개발하기 위해.
• ReaxFF와 같은 고정된 기능 형태의 힘장의 한계를 극복하여 광범위한 화학적 및 구조적 이동성을 가능하게 하기 위해.
• 메타-GGA DFT 정확도에 도달하면서도 계산 비용을 최소화한 측면에서 대규모이고 정확한 세올라이트-물 시스템의 동역학 시뮬레이션을 가능하게 하기 위해.
• 확장된 샘플링을 통해 세올라이트 표면에서의 집합적 수해성 메커니즘과 같은 새로운 반응 메커니즘의 발견을 촉진하기 위해.
• 더 높은 수준의 DFT 교정($\boldsymbol{\triangle}$-학습)을 통한 데이터 효율적인 정밀도 보정 및 기계학습된 집합 변수를 통한 가속화된 희귀 사건 시뮬레이션을 위한 기반을 제공하기 위해.

제안 방법

• 메타-GGA DFT( SCAN+D3(BJ))를 기준으로 하여, 조밀한 실리카/알루미나 다형체, 다양한 Si/Al 비율을 가진 세올라이트, 수분 클러스터, 그리고 막대한 물을 포함한 다양한 데이터셋을 기반으로 글로벌 반응성 NNP를 훈련시켰다.
• NNP 훈련 및 시뮬레이션에 SchNetPack과 ASE를 사용하였으며, 초기 구조는 IZA 데이터베이스에서 확보하고 Materials Studio의 Solvate 모듈을 사용해 용매화 처리하였다.
• NNP가 생성한 표현 벡터에 기반한 변동형 오토인코더(VAE)를 훈련시켜 프로톤 이동 및 Al–O(H) 결합 해리에 대한 자동으로 집합 변수(CVs)를 식별하였다.
• PLUMED에서 잘 조절된 메타다이나믹스를 적용하여 학습된 CVs를 따라 동역학을 편향시켜 희귀 사건 시뮬레이션을 가속화하였다.
• $\boldsymbol{\triangle}$-학습을 구현하여 높은 수준의 (혼합형) DFT 기준 데이터를 사용해 NNP 에너지를 보정함으로써, 재훈련 없이도 데이터 효율적인 정밀도 보정을 가능하게 하였다.
• 반응 경로의 안정성과 샘플링 효율성을 향상시키기 위해, 예를 들어 H–O 거리 고정 및 수소 결합 순환 방지와 같은 자유도 제한 조건을 도입하여 편향된 동역학에서 적용하였다.

실험 결과

연구 질문

• RQ1 단일의 반응성 신경망 포텐셜이 다양한 Si/Al 비율과 수분 농도를 포함한 수분을 포함한 산성 세올라이트의 전체 구성 및 화학적 공간을 정확하게 기술할 수 있는가?
• RQ2 기존의 DFT나 ReaxFF 시뮬레이션으로는 접근할 수 없는, 예상치 못한 반응 메커니즘(예: 집합적 표면 수해성)을 NNP 프레임워크가 발견할 수 있는가?
• RQ3 NNP 표현이 복잡한 세올라이트 시스템에서 희귀 사건 시뮬레이션을 가속화하는 효과적인 기계학습 기반 집합 변수로 얼마나 잘 사용될 수 있는가?
• RQ4 제한된 기준 데이터에서 $\boldsymbol{\triangle}$-학습을 통해 높은 수준의 DFT 교정을 얼마나 효율적으로 학습할 수 있으며, 특정 반응 경로의 정확도를 유지할 수 있는가?
• RQ5 훈련 세트에 포함되지 않은 새로운 세올라이트 구조나 화학 종에 대해 NNP 모델이 일반화될 수 있는가? 이는 강력한 이동성의 지표가 된다.

주요 결과

• 훈련된 NNP는 Si/Al 비율이 1에서 12까지 다양하고, 다양한 수분 농도 및 막대한 물을 포함한 다양한 시스템에서 일관된 성능을 보였으며, 힘 오차가 메타-GGA DFT 수준과 유사하였다.
• NNP는 세올라이트 나노시트 표면에서 집합적 수해성 메커니즘을 성공적으로 예측하고 드러내었으며, 이는 이전에 관측되지 않은 결함 형성 경로였다.
• 변동형 오토인코더 기반의 집합 변수는 프로톤 이동과 Al–O(H) 결합 해리의 효율적 샘플링을 가능하게 하였으며, 잘 조절된 메타다이나믹스는 150만에서 180만 단계 내에 수렴하였다.
• $\boldsymbol{\triangle}$-학습 접근법은 몇백 개의 고수준 DFT 기준 점만으로도 NNP 에너지를 데이터 효율적으로 보정할 수 있었으며, 재훈련 없이도 정확도 향상을 달성하였다.
• 일반화 테스트는 모델이 훈련 세트에 포함되지 않은 새로운 세올라이트 프레임워크와 수분 클러스터 구조에 대해 높은 정밀도로 에너지와 힘을 예측할 수 있음을 확인하였다.
• 모든 훈련된 모델, 시뮬레이션 데이터, 코드(VAE 기반 CV 생성기 및 수정된 PLUMED 라이브러리 포함)는 CC-BY-NC-SA 4.0 라이선스 하에 Zenodo와 GitHub에 공개되었다.