[논문 리뷰] Accurate Energy Barriers for Catalytic Reaction Pathways: An Automatic Training Protocol for Machine Learning Force Fields

Lars L. Schaaf, Edvin Fako외 3명|arXiv (Cornell University)|2023. 01. 01.

Machine Learning in Materials Science인용 수 7

한 줄 요약

이 논문은 기계학습 힘장(MLFF)을 위한 자동화된, 활성 학습 기반의 훈련 프로토콜을 제시하며, 촉매 반응 경로에서 에너지 장벽을 정확하게 예측한다. DFT와의 일치 오차가 0.05 eV 이내를 달성한다. 인듐 산화물에서의 CO2 수소화에 적용된 결과, 한계 속도 장벽이 40% 감소하였고, 유한 온도 효과를 고려한 자유 에너지 장벽 계산이 가능해져, 이전에 탐색되지 않은 감소된 표면으로의 이식성도 입증하였다.

ABSTRACT

In this study, we introduce a training protocol for developing machine learning force fields (MLFFs), capable of accurately determining energy barriers in catalytic reaction pathways. The protocol is validated on the extensively explored hydrogenation of carbon dioxide to methanol over indium oxide. With the help of active learning, the final force field obtains energy barriers within 0.05 eV of Density Functional Theory. Thanks to the computational speedup, not only do we reduce the cost of routine in-silico catalytic tasks, but also find a 40\% reduction in the previously established rate-limiting step. Furthermore, we illustrate the importance of finite-temperature effects and compute free energy barriers. The transferability of the protocol is demonstrated on the experimentally relevant, yet unexplored, top-layer reduced indium oxide surface. The ability of MLFFs to enhance our understanding of extensively studied catalysts underscores the need for fast and accurate alternatives to direct ab-intio simulations.

연구 동기 및 목표

• 복잡한 촉매 반응 경로에서 에너지 장벽을 정확하게 예측할 수 있는 수동적, 자동화된 MLFF 훈련 프로토콜을 개발하기.
• 직접 DFT를 사용하는 데에 소요되는 계산 비용을 극복하고, 전체 반응 네트워크의 체계적이고 고정밀도 시뮬레이션을 가능하게 하기 위한 MLFF의 사용을 목표로 한다.
• DFT의 계산 비용이 높은 점을 고려해, 잘 알려진 인듐 산화물 상에서의 CO2-메탄올 전환 경로를 대상으로 프로토콜의 유효성을 검증하며, 유한 온도 효과와 자유 에너지 장벽을 포함한다.
• 기존에 DFT로 연구되지 않은, 실험적으로 관련성이 높은 표면, 예를 들어 표면층이 감소한 인듐 산화물과 같은 표면으로 프로토콜의 이식성을 입증하기.
• 반응 메커니즘 분석에서 DFT 수준의 정확도를 유지하면서도 고비용의 아비시노 시뮬레이션 의존도를 줄이기.

제안 방법

• 프로토콜은 초기 중간체 집합에서 가장 정보가 많은 구성 상태를 반복적으로 선택함으로써 전문가의 입력 최소화를 목표로 활성 학습을 사용한다.
• 기본 프레임워크로 이중 터보 SOAP 기반의 가우시안 프로세스(GAP)를 사용하며, 교차 검증을 통해 초모수를 최적화한다.
• 기준 데이터는 기하 구조 최적화 및 노즈드 엘라스틱 밴드(NEB) 계산을 위해 DFT(PBE 함수, PAW 허위전자, 884 eV 커팅)를 사용하여 생성된다.
• 에너지 장벽은 10~20개의 이미지로 NEB를 통해 계산되며, 초기 경로 추측에는 IDPP를, 수렴을 위해 지수 전처리를 사용한다.
• 자유 에너지 장벽은 500 K에서 32개의 바인, 110 ps 시뮬레이션, 75 eV/Ų의 스프링 상수를 사용한 엄브렐라 샘플링을 통해 계산된다.
• 훈련 과정은 예측 오차가 높은 영역에 집중하는 불확실성 정량화를 통해 유도되며, 이는 PES 정확도를 효율적으로 향상시킨다.

실험 결과

연구 질문

• RQ1 복잡한 촉매 경로에서 DFT와의 일치 오차가 0.05 eV 이내인 에너지 장벽을 예측할 수 있는 자동화된 활성 학습 기반의 MLFF 훈련 프로토콜이 신뢰성 있게 작동할 수 있는가?
• RQ2 이 프로토콜을 통해 훈련된 MLFF는 CO2 수소화 메커니즘 전반에 걸쳐 최소 에너지 경로와 전이 상태를 정확히 재현하는가?
• RQ3 이 방법은 유한 온도 효과를 포착하고 실험 조건과 일치하는 자유 에너지 장벽을 계산할 수 있는가?
• RQ4 이 프로토콜은 이전에 DFT로 연구되지 않은, 새로운 실험적으로 관련성이 높은 표면으로 이식 가능한가?
• RQ5 이 MLFF를 통해 이전 DFT 연구 대비 예측된 한계 속도 장벽이 40% 감소하는가?

주요 결과

• 최종 MLFF는 In2O3(110) 상에서 메탄올으로의 CO2 전환 경로의 5개의 모든 초원자 단계에서 DFT와 0.05 eV 이내의 에너지 장벽 예측을 달성하였다.
• 이전에 보고된 DFT 값 대비 MLFF는 예측된 한계 속도 장벽을 40% 감소시켰으며, 이는 가장 느린 단계를 더 정확히 식별할 수 있음을 시사한다.
• 500 K에서 엄브렐라 샘플링을 통해 계산된 자유 에너지 장벽은 MLFF가 유한 온도 효과를 정확히 포착했음을 보여주며, 진짜 DFT 자유 에너지 표면과의 오차가 1 kT(45 meV) 이내였다.
• 프로토콜은 실험적으로 관련성이 높은 표면층이 감소한 In2O3 표면으로도 성공적으로 이식되었으며, 초기 훈련 시스템을 초월한 강건성을 입증하였다.
• 자유 에너지가 50 kT에 이르는 전체 반응 경로가 MLFF에 의해 정확히 기술되었으며, 최소 에너지 경로는 DFT 결과와 밀도로 일치하였다.
• 활성 학습의 사용으로 인해 필요한 DFT 기준 계산의 수가 크게 감소하여, MLFF의 효율적이고 체계적인 향상이 가능해졌다.