[논문 리뷰] Chemical space exploration with molecular genes and machine learning

Bing Huang, O. Anatole von Lilienfeld|arXiv (Cornell University)|2017. 07. 13.

Machine Learning in Materials Science인용 수 4

한 줄 요약

이 논문은 원자-분자 내 부분(amon)과 이식 가능한 양자 기계학습을 조합한 AML 모델을 소개하여 화학적 공간을 효율적으로 탐색한다. 주어진 활성 학습과 국소 원자 환경을 활용함으로써, 유기 분자에서 단백질에 이르기까지 다양한 체계에서 양자 성질을 높은 정확도와 확장성으로 예측할 수 있다. 이는 주기율표 개념을 화학적 환경으로까지 확장하는 데 성공한다.

ABSTRACT

First principles based exploration of chemical space deepens our understanding of chemistry, and might help with the design of new materials or experiments. Due to the computational cost of quantum chemistry methods and the immens number of theoretically possible stable compounds comprehensive in-silico screening remains prohibitive. To overcome this challenge, we combine atoms-in-molecules based fragments, dubbed amons (A), with active learning in transferable quantum machine learning (ML) models. The efficiency, accuracy, scalability, and transferability of resulting AML models is demonstrated for important molecular quantum properties, such as energies, forces, atomic charges NMR shifts, polarizabilities, and for systems ranging from organic molecules over 2D materials and water clusters to Watson-Crick DNA base-pairs and even ubiquitin. Conceptually, the AML approach extends Mendeleev's table to effectively account for chemical environments, which allows the systematic reconstruction of many chemistries from local building blocks.

연구 동기 및 목표

• 기존 양자화학적 방법으로는 화학적 공간의 포괄적 시뮬레이션 스크리닝이 계산적으로 불가능한 문제를 해결하기 위해.
• 작은 분자에서 생고분자 및 2차원 물질에 이르기까지 다양한 분자 체계에서 양자 성질을 예측하는 확장성 있고 정확한 방법을 개발하기 위해.
• 국소 원자 조각(amon)을 통해 화학적 환경 효과를 통합함으로써 주기율표 개념을 확장하기 위해.
• 활성 학습과 이식 가능한 기계학습 모델을 활용하여 화학적 공간을 효율적으로 탐색할 수 있도록 하기 위해.
• 로컬이고 이식 가능한 빌딩 블록으로부터 복잡한 화학을 체계적으로 재구성하기 위해.

제안 방법

• 화학적 환경을 표현하기 위해 원자-분자 내 부분(aim)을 활용한 아톰-기반 단위(amons, A)를 국소 빌딩 블록으로 사용한다.
• amons를 이식 가능한 양자 기계학습(ML) 모델과 통합하여 양자 화학 데이터 기반으로 훈련한다.
• 데이터 효율성을 향상시키기 위해 반복적으로 가장 정보가 많은 분자 구성을 선택하는 활성 학습을 적용한다.
• 에너지, 힘, 원자 전하, NMR 시프트, 분극성도와 같은 핵심 양자 성질을 예측한다.
• 유기 분자, 2차원 물질, 수분 클러스터, DNA 기저 쌍, 유비퀴틴 등 다양한 화학 체계 간에 전이 학습이 가능하다.
• amons를 조합함으로써 분자 화학을 체계적으로 재구성함으로써 멘델레예프의 주기율표 개념을 국소 결합 환경까지 확장한다.

실험 결과

연구 질문

• RQ1 amons는 화학적 공간 전반에서 다양한 양자 화학적 성질을 모델링하는 데 있어 보편적이고 이식 가능한 빌딩 블록으로서 기능할 수 있는가?
• RQ2 amons 기반 ML과 함께 사용하는 활성 학습은 기존 양자 화학 예측의 데이터 효율성과 정확도를 어떻게 향상시키는가?
• RQ3 AML 모델은 작은 분자에서 생고분자 및 2차원 물질에 이르기까지 다양한 화학 체계에서 얼마나 일반화되는가?
• RQ4 AML 프레임워크는 국소 원자 환경에서부터 복잡한 화학을 체계적으로 재구성할 수 있는가?
• RQ5 amons 기반 접근법은 화학적 환경 효과를 포함시킴으로써 주기율표의 개념적 프레임워크를 어떻게 확장하는가?

주요 결과

• AML 모델은 다양한 체계에서 에너지, 힘, 원자 전하, NMR 시프트, 분극성도와 같은 양자 성질을 매우 높은 정확도로 예측한다.
• 이 방법은 강력한 확장성과 이식 가능성을 보이며, 유기 분자에서 유비퀴틴에 이르기까지 신뢰할 수 있는 예측이 가능하다.
• 활성 학습은 데이터 효율성을 크게 향상시켜 필요한 양자 화학 계산의 수를 줄인다.
• amons 기반 표현 방식은 화학적 환경 효과를 효과적으로 포착하여 주기율표의 유용성을 국소 결합 환경까지 확장한다.
• 이 방법은 국소적이고 이식 가능한 조각들로부터 복잡한 화학을 체계적으로 재구성할 수 있게 하여 화학적 공간 탐색을 포괄적으로 가능하게 한다.
• 이 프레임워크는 고도로 정밀한 해석이 필요한 체계, 예를 들어 워슨-크리크 DNA 기저 쌍과 2차원 물질을 높은 정밀도로 모델링하는 데 성공했다.