[논문 리뷰] Benchmarking of machine learning interatomic potentials for reactive hydrogen dynamics at metal surfaces

Wojciech G. Stark, van der Oord외 5명|arXiv (Cornell University)|2024. 03. 22.

Machine Learning in Materials Science인용 수 4

한 줄 요약

이 연구는 구리 표면에서 반응성 수소 동역학을 시뮬레이션하기 위해 최신 기계학습 원자간 잠재력—PaiNN, REANN, MACE, ACE—을 벤치마킹한다. REANN과 MACE는 정확도와 추론 속도의 최적의 균형을 이룬다 (CPU에서 원자당 0.2–0.5 ms/스텝), 반응성 확률의 효율적 고속 스트림 시뮬레이션을 가능하게 하며, ACE는 가장 빠른 추론 속도를 제공하지만 일관된 정확도를 확보하기 위해 향상된 학습 데이터가 필요하다.

ABSTRACT

Simulations of chemical reaction probabilities in gas surface dynamics require the calculation of ensemble averages over many tens of thousands of reaction events to predict dynamical observables that can be compared to experiments. At the same time, the energy landscapes need to be accurately mapped, as small errors in barriers can lead to large deviations in reaction probabilities. This brings a particularly interesting challenge for machine learning interatomic potentials, which are becoming well-established tools to accelerate molecular dynamics simulations. We compare state-of-the-art machine learning interatomic potentials with a particular focus on their inference performance on CPUs and suitability for high throughput simulation of reactive chemistry at surfaces. The considered models include polarizable atom interaction neural networks (PaiNN), recursively embedded atom neural networks (REANN), the MACE equivariant graph neural network, and atomic cluster expansion potentials (ACE). The models are applied to a dataset on reactive molecular hydrogen scattering on low-index surface facets of copper. All models are assessed for their accuracy, time-to-solution, and ability to simulate reactive sticking probabilities as a function of the rovibrational initial state and kinetic incidence energy of the molecule. REANN and MACE models provide the best balance between accuracy and time-to-solution and can be considered the current state-of-the-art in gas-surface dynamics. PaiNN models require many features for the best accuracy, which causes significant losses in computational efficiency. ACE models provide the fastest time-to-solution, however, models trained on the existing dataset were not able to achieve sufficiently accurate predictions in all cases.

연구 동기 및 목표

• 현대 기계학습 원자간 잠재력(MLIP)의 성능을 철 표면에서의 반응성 수소 산산작열 시뮬레이션에 평가하기.
• 정확도, 추론 속도, 반응 확률의 고속 분자역학 시뮬레이션에 대한 적합성 평가.
• 통계적 샘플링 요구 조건을 충족시키는 복잡한 표면 반응 동역학을 모델링하기 위한 가장 효율적이고 정확한 MLIP 식별.
• 메시지 전달 신경망(PaiNN, REANN, MACE)과 원자 클러스터 확장(ACE) 간의 아키텍처 설계 차이가 예측 성능에 미치는 영향 비교.

제안 방법

• 연구는 초기 MPNN 기반 MLIP를 사용한 활성 학습을 통해 생성된 저지표수 Cu 면에서의 반응성 H2 산산작열 데이터셋을 활용한다.
• 다섯 개의 MLIP가 훈련에 사용됨: PaiNN, REANN, MACE(등변 그래프 신경망), ACE 잠재력은 ACEPotentials.jl 프레임워크를 사용한다.
• 모든 모델은 에너지 장, 격자 진동 모드, 다양한 온도 범위에서의 격자 팽창 예측 정확도 측정을 통해 평가된다.
• 추론 성능은 CPU에서 원자당 힘 평가당 시간-해결 시간으로 측정되며, REANN과 MACE는 각각 0.2 ms/원자/스텝, 0.5 ms/원자/스텝의 성능 기록을 달성한다.
• 반응성 흡착 확률은 수천 개의 궤적에 대한 앙상블 평균을 통해 계산되며, MLIP 예측 결과를 기준 데이터와 비교한다.
• 모든 모델에서 정확도와 계산 효율성의 균형을 맞추기 위해 초모수 최적화를 수행한다.

실험 결과

연구 질문

• RQ1 금속 표면에서 반응성 수소 동역학을 시뮬레이션할 때 정확도와 추론 속도 사이의 최적 균형을 이룬 기계학습 원자간 잠재력은 무엇인가?
• RQ2 메시지 전달 신경망(PaiNN, REANN, MACE)은 원자 클러스터 확장(ACE) 잠재력에 비해 Cu 표면에서 H2의 반응 확률을 예측하는 데 어떻게 비교되는가?
• RQ3 동일한 데이터셋으로 훈련된 경우 ACE 잠재력이 신경망 기반 모델과 유사한 정확도를 달성할 수 있는가, 그리고 훨씬 더 빠른 추론 속도를 제공할 수 있는가?
• RQ4 모델 아키텍처 설계가 기체-표면 동역학에서 복잡한 반응 경로와 에너지 장벽을 포착하는 데 미치는 영향은 어느 정도인가?
• RQ5 학습 데이터 품질과 정제가 딥러닝 기반 접근법에 비해 ACE 기반 MLIP의 예측 성능에 미치는 영향은 무엇인가?

주요 결과

• REANN과 MACE 모델은 정확도와 추론 속도 사이의 최적 균형을 달성했으며, 각각 CPU에서 원자당 힘 평가당 0.2 ms, 0.5 ms의 시간-해결 시간을 기록했다.
• PaiNN 모델은 높은 정확도를 확보하기 위해 많은 특징이 필요하여, 강력한 예측 성능에도 불구하고 상당한 계산 오버헤드가 발생하고 효율성이 떨어진다.
• ACE 잠재력은 가장 빠른 추론 시간(~0.1 ms/원자/스텝)을 제공하지만, 주어진 학습 데이터로는 모든 반응 좌표에서 일관된 정확도를 확보하지 못했다.
• 모든 모델이 격자 팽창과 격자 진동 모드 스펙트럼을 정확하게 예측하여, 구리의 부피 및 표면 성질을 기술하는 데 있어 뛰어난 안정성을 보였다.
• 최적화된 초모수를 통해 MACE와 REANN는 H2 흡착 확률이 운동 에너지와 진동 상태에 따라 변화하는 것에 대해 실험 결과 및 기준 시뮬레이션 결과를 재현했다.
• 이 연구는 ACE 잠재력이 신경망 기반 모델의 정확도에 도달하기 위해 더 고품질이거나 더 균형 잡힌 학습 데이터가 필요할 수 있음을 시사한다.