[논문 리뷰] Accurate and scalable multi-element graph neural network force field and molecular dynamics with direct force architecture

Cheol Woo Park, Mordechai Kornbluth외 4명|arXiv (Cornell University)|2020. 07. 28.

Machine Learning in Materials Science인용 수 16

한 줄 요약

이 논문은 국소 원자 환경의 회전 불변성과 평행 이동 불변성을 갖는 특징을 직접 사용하여 원자 힘을 예측하는 확장 가능한 그래프 신경망 힘장(GNNFF)을 소개한다. 이는 분자 동역학 시뮬레이션에서 높은 정확도와 빠른 속도를 달성하며, 작은 시스템에서 학습한 후 Li7P3S11에서 리튬 확산을 정확히 예측하여 아비시니어 분자 동역학(AIMD) 결과와 14% 이내로 일치시킨다.

ABSTRACT

Recently, machine learning (ML) has been used to address the computational cost that has been limiting ab initio molecular dynamics (AIMD). Here, we present GNNFF, a graph neural network framework to directly predict atomic forces from automatically extracted features of the local atomic environment that are translationally-invariant, but rotationally-covariant to the coordinate of the atoms. We demonstrate that GNNFF not only achieves high performance in terms of force prediction accuracy and computational speed on various materials systems, but also accurately predicts the forces of a large MD system after being trained on forces obtained from a smaller system. Finally, we use our framework to perform an MD simulation of Li7P3S11, a superionic conductor, and show that resulting Li diffusion coefficient is within 14% of that obtained directly from AIMD. The high performance exhibited by GNNFF can be easily generalized to study atomistic level dynamics of other material systems.

연구 동기 및 목표

• 분자 시뮬레이션에서 아비시니어 분자 동역학(AIMD)의 계산 비용 문제를 해결하는 기계 학습 힘장을 개발하기 위해.
• 단일이고 확장 가능한 프레임워크를 통해 다양한 물질 체계에서 정확한 힘 예측을 가능하게 하기 위해.
• 작은 학습 시스템에서부터 대규모 분자 동역학 시뮬레이션으로의 일반화를 보장하기 위해.
• 다양한 원소를 포함한 물질, 특히 초이온 도전체를 포함한 다원소 물질에 대해 높은 정확도와 계산 효율성을 달성하기 위해.
• 직접 AIMD와의 비교를 통해 복잡한 시스템인 Li7P3S11에서의 프레임워크 능력을 입증하기 위해.

제안 방법

• GNNFF는 원자 환경을 그래프로 처리하는 그래프 신경망을 사용하며, 노드는 원자를 나타내고, 엣지는 원자 상호작용을 나타낸다.
• 국소 원자 특징은 평행 이동 불변성과 회전 불변성을 갖도록 구성되어 물리적 대칭성을 유지한다.
• 에너지 최소화나 후처리 없이도 이러한 기하학적 특징에서 직접 원자 힘을 예측한다.
• 모델은 작은 시스템에서 밀도함수이론(DFT)으로 계산된 힘에 대해 엔드 투 엔드로 학습된다.
• 원소의 정체성과 국소 배치를 그래프 표현에 통합함으로써 다원소 체계를 지원한다.
• 효율적인 메시지 전달과 불변 특징 설계를 통해 확장성을 확보하여 대규모 MD 시뮬레이션을 가능하게 한다.

실험 결과

연구 질문

• RQ1 작은 시스템에서 학습된 그래프 신경망 힘장이 대규모 분자 동역학 시뮬레이션에서 정확한 힘 예측을 수행할 수 있는가?
• RQ2 에너지 모델링이 필요한传통적인 기계 학습 힘장과 비교해, 직접 힘 예측 아키텍처는 정확도와 효율성 면에서 어떻게 다른가?
• RQ3 모델은 리튬 확산체인 Li7P3S11와 같은 다원소 체계를 포함한 다양한 물질에서 얼마나 잘 일반화되는가?
• RQ4 초이온 도전체에서 예측된 리튬 확산 계수의 정확도는 아비시니어 분자 동역학(AIMD)와 비교해 어떠한가?
• RQ5 특징 표현에서의 회전 불변성과 평행 이동 불변성이 모델 성능에 어떤 영향을 미치는가?

주요 결과

• GNNFF는 다양한 물질 체계에서 높은 힘 예측 정확도를 달성하며, 아비시니어 방법과 유사한 성능을 보였다.
• Li7P3S11에서 리튬 확산 계수를 정확히 예측하였으며, 직접 아비시니어 분자 동역학로 얻은 값과 14% 이내로 일치하였다.
• 작은 시스템에서의 힘을 기반으로 학습한 후, GNNFF는 높은 정밀도로 대규모 분자 동역학 시뮬레이션을 성공적으로 수행하였다.
• 직접 힘 예측 아키텍처는 에너지 기반 모델보다 빠른 추론 속도를 제공하여 계산 효율성을 향상시켰다.
• 프레임워크는 다원소 체계로도 효과적으로 일반화되어 다양한 화학적 환경에서 강건함을 입증하였다.
• 회전 불변성과 평행 이동 불변성을 갖는 특징의 사용은 물리적 일관성을 확보하고 일반화 성능을 향상시켰다.