[논문 리뷰] By-passing the Kohn-Sham equations with machine learning

Felix Brockherde, Vogt, Leslie외 4명|arXiv (Cornell University)|2016. 09. 09.

Machine Learning in Materials Science인용 수 3

한 줄 요약

이 논문은 외부 포텐셜에서 기저 상태 전자 밀도로의 Hohenberg-Kohn 사상에 직접적으로 기계학습을 통해 접근함으로써 Kohn-Sham 방정식을 우회하는 기계학습 기반 접근법을 제안한다. 이는 높은 정확도와 낮은 계산 비용을 동시에 달성한다. 이 방법은 다양한 기하 구조를 가진 분자 체계에 대해 빠르고 정확한 에너지 예측을 가능하게 하며, 최소한의 학습 데이터로도 적용 가능하고, 기능성 도함수 계산이 필요 없어 진정한 의미에서 양자화학에 직접 적용 가능한 방법이다.

ABSTRACT

Last year, at least 30,000 scientific papers used the Kohn-Sham scheme of density functional theory to solve electronic structure problems in a wide variety of scientific fields, ranging from materials science to biochemistry to astrophysics. Machine learning holds the promise of learning the kinetic energy functional via examples, by-passing the need to solve the Kohn-Sham equations. This should yield substantial savings in computer time, allowing either larger systems or longer time-scales to be tackled, but attempts to machine-learn this functional have been limited by the need to find its derivative. The present work overcomes this difficulty by directly learning the density-potential and energy-density maps for test systems and various molecules. Both improved accuracy and lower computational cost with this method are demonstrated by reproducing DFT energies for a range of molecular geometries generated during molecular dynamics simulations. Moreover, the methodology could be applied directly to quantum chemical calculations, allowing construction of density functionals of quantum-chemical accuracy.

연구 동기 및 목표

• 밀도-functional 이론(DFT)에서 Kohn-Sham 방정식을 푸는 계산적 병목 현상을 극복하기 위해 이를 기계학습 모델로 대체하고자 한다.
• 기존 기계학습 접근법이 비상호작용 운동에너지 기능성에 한계를 가졌던 기능성 도함수 계산이 필요 없도록 제거하고자 한다.
• 반복적인 자기일관성 반복이 필요 없이 외부 포텐셜에서 전자 밀도로의 직접적이고 미분 가능한 사상 함수를 개발하고자 한다.
• 다양한 분자 구형체에서 DFT 에너지를 고정밀도로 재현함으로써 이 방법의 양자화학 계산 적용 가능성과 타당성을 입증하고자 한다.
• 화학 정확도를 유지하면서도 계산 비용을 줄임으로써 대규모 전자 구조 계산을 가능하게 하고자 한다.

제안 방법

• 이 방법은 Kohn-Sham 방정식을 우회하여 외부 포텐셜 $ \mathbf{v}(\mathbf{r}) $ 에서 기저 상태 전자 밀도 $ n(\mathbf{r}) $ 로의 Hohenberg-Kohn (HK) 사상 $ n[\mathbf{v}] $ 을 직접 학습한다.
• 다양한 분자 기하 구조, 특히 분자 동역학 시뮬레이션에서 유도된 구형체를 포함한 다양한 시스템에서 DFT로 계산된 밀도와 에너지를 기반으로 커널 기반 기계학습 모델을 학습한다.
• 일반화 오차를 최소화하기 위해 가우시안 커널을 사용한 정규화된 최소 제곱 회귀 프레임워크를 활용한다.
• 에너지 예측은 예측된 밀도를 사용하여 총 에너지 기능성 $ E[n] $ 를 평가함으로써 수행되며, Kohn-Sham 방정식을 풀 필요가 없다.
• 표준 DFT 워크플로우와 직접 통합 가능한 Quantum Espresso 프레임워크 내에서 PBE 기능성을 사용해 구현하였다.
• 학습 데이터 기반의 교차 검증 및 하이퍼파rameter 튜닝을 통해 새로운 기하 구조에 대한 일반화 능력과 견고성을 확보하였다.

실험 결과

연구 질문

• RQ1 Kohn-Sham 방정식을 풀지 않고도 기계학습 모델이 외부 포텐셜에서 전자 밀도를 정확하게 예측할 수 있는가?
• RQ2 운동에너지 기능성의 기능성 도함수 계산을 생략함으로써 계산 비용을 크게 줄일 수 있으며, 정확도를 유지할 수 있는가?
• RQ3 학습된 HK 사상이 다양한 기하 구조를 가진 분자 체계에서 DFT 에너지를 화학 정확도로 재현할 수 있는가?
• RQ4 ML-HK 모델은 분자 동역학나 기하 구조 최적화와 같은 표준 양자화학 계산에 적용 가능한가?
• RQ5 다양한 분자와 구형체에 대해 정밀한 밀도를 생성함으로써, 모델이 다양한 DFT 기능성 간의 차이를 식별할 수 있는가?

주요 결과

• ML-HK 모델은 FCI 및 CCSD(T) 기준값과 비교했을 때 H₂와 H₂O에서 상대 오차가 1 mHartree 미만인 정확도로 표준 DFT 기능성과 유사한 에너지 예측 정확도를 달성하였다.
• 반복적인 자기일관성 순환을 회피함으로써 계산 비용을 줄였고, 정확도를 유지하면서도 더 빠른 에너지 평가가 가능해졌다.
• 벤젠, 에탄, 말올라데하이드의 여러 구형체에서 DFT 에너지를 정확히 재현하였으며, 밀도함수 기반 분자 동역학 시뮬레이션 결과와의 비교로 확인되었다.
• ML-HK 사상은 다양한 DFT 기능성 간의 차이를 식별할 수 있을 정도로 정밀한 밀도를 생성할 수 있어, 향후 기능성 개발에 응용 가능성이 있다.
• Quantum Espresso를 사용하여 표준 양자화학 워크플로우에 성공적으로 통합되었으며, 최대 100개 원자를 포함한 체계에서 성능을 입증하였다.
• 유한차분 힘을 사용한 MD 시뮬레이션 동안 에너지 보존이 유지되었으며, 1 ps 동안 안정적인 궤도가 관찰되었다.