[논문 리뷰] Efficiency, Accuracy, and Transferability of Machine Learning Potentials: Application to Dislocations and Cracks in Iron

Lei Zhang, Gábor Cśanyi외 2명|arXiv (Cornell University)|2023. 07. 19.

Machine Learning in Materials ScienceMaterials Science인용 수 3

한 줄 요약

이 연구는 체심입방금철(체심입방철철)에서 변형과 균열을 모델링하기 위한 최신 기계학습 원자간 잠재에너지함수(MIAP)의 효율성, 정확도 및 이식성에 대해 평가한다. DFT 기반 벤치마킹, 불확실성 정량화, 대규모 시뮬레이션을 포함하는 3단계 검증 프레임워크를 사용하여, GAP 및 PACE-FS ML-IAP가 DFT 수준의 정확도로 비틀림 핵, 페일러스 장벽 및 균열 메커니즘을 예측함을 입증한다. PACE-FS는 최적화된 데이터베이스로 훈련된 경우, 이식성을 유지하면서도 최대 100배 빠른 속도를 제공한다.

ABSTRACT

Machine learning interatomic potentials (ML-IAPs) enable quantum-accurate, classical molecular dynamics simulations of large systems, beyond reach of density functional theory (DFT). Yet, their efficiency and ability to predict systems larger than DFT supercells are not fully explored, posing a question regarding transferability to large-scale simulations with defects (e.g. dislocations, cracks). Here, we apply a three-step validation approach to body-centered-cubic iron. First, accuracy and efficiency are assessed by optimizing ML-IAPs based on four state-of-the-art ML packages. The Pareto front of computational speed versus testing root-mean-square-error (RMSE) is computed. Second, benchmark properties relevant to plasticity and fracture are evaluated. Their average relative error Q with respect to DFT is found to correlate with RMSE. Third, transferability of ML-IAPs to dislocations and cracks is investigated by using per-atom model uncertainty quantification. The core structures and Peierls barriers of screw, M111 and three edge dislocations are compared with DFT. Traction-separation curve and critical stress intensity factor (K_Ic) are also predicted. Cleavage on the pre-existing crack plane is found to be the zero-temperature atomistic fracture mechanism of pure body-centered-cubic iron under mode-I loading, independent of ML package and training database. Quantitative predictions of dislocation glide paths and KIc can be sensitive to database, ML package, cutoff radius, and are limited by DFT accuracy. Our results highlight the importance of validating ML-IAPs by using indicators beyond RMSE. Moreover, significant computational speed-ups can be achieved by using the most efficient ML-IAP package, yet the assessment of the accuracy and transferability should be performed with care.

연구 동기 및 목표

• 체심입방철에서 변형과 균열과 같은 확장된 결함을 모델링하는 데 있어 ML-IAP의 효율성, 정확도 및 이식성을 평가하는 것.
• 표준 데이터베이스로 훈련된 ML-IAP가 대규모에서 복잡한 결함 구조와 균열 메커니즘을 신뢰성 있게 예측할 수 있는지 확인하는 것.
• 훈련 데이터베이스 설계, 기계학습 프레임워크 선택, 모델 불확실성의 예측 성능에 미치는 영향을 평가하는 것.
• GAP, PACE-FS, MTP, qSNAP 등 여러 ML-IAP 패키지 간의 계산 속도 대 정확도의 상호관계를 파레토 최적 경계 분석을 통해 비교 평가하는 것.

제안 방법

• 점 결함, 표면, 격자 구조를 포함하는 두 개의 독립적인 DFT 데이터베이스를 사용하여 ML-IAP를 훈련하고, 데이터 효율성을 향상시키기 위해 활성 학습을 적용한다.
• GAP, MTP, SNAP, qSNAP 등 네 가지 ML 패키지에서 최적의 초모수를 도출하기 위해 광범위한 초모수 튜닝을 수행하여 정확도와 효율성을 극대화한다.
• 계산 속도 대 평균 제곱 오차(RMSE)의 파레토 최적 경계를 계산하여 속도와 정확도 사이의 최적의 트레이드오프를 규명한다.
• 비틀림, M111, 모서리 변형과 같은 변형의 대규모 분자 정적/역학(MS/MD) 시뮬레이션을 수행하여 DFT 초세포를 초월한 이식성 평가를 수행한다.
• 원자별 모델 불확실성 정량화를 통해 높은 예측 오차가 발생하는 영역을 식별하고, 일관된 DFT 계산과의 비교를 통해 ML-IAP 성능을 검증한다.
• 굽은 탄성 밴드(NEB) 및 인장-분리 곡선 분석을 수행하여 균열 특성, 특히 임계 응력 집중 계수 $K_{\rm Ic}$를 평가한다.

실험 결과

연구 질문

• RQ1 표준 데이터베이스로 훈련된 ML-IAP가 체심입방철에서 여러 유형의 변형핵 및 페일러스 장벽을 정확하게 예측할 수 있는가?
• RQ2 기계학습 기반 원자간 잠재에너지함수 프레임워크 선택(GAP 대 PACE-FS 등)이 변형 이동 경로 및 균열 메커니즘 예측에 어떤 영향을 미치는가?
• RQ3 DFT 훈련 데이터베이스의 크기와 구성이 대규모 결함 시뮬레이션에서 ML-IAP의 이식성에 어느 정도의 영향을 미치는가?
• RQ4 모델 불확실성 정량화가 ML-IAP 예측이 DFT 기준치에서 벗어나는 영역을 신뢰성 있게 식별할 수 있는가?
• RQ5 0K에서 체심입방철에서 미리 존재하는 균열면에서의 균열이 ML-IAP의 선택과 무관하게 주요 균열 메커니즘인가?

주요 결과

• PACE-FS ML-IAP는 다른 프레임워크 대비 최대 100배 더 빠른 계산 속도를 확보하면서도 높은 정확도를 유지하여 효율성 측면에서 파레토 최적 경계에 위치한다.
• GAP는 가장 높은 정확도를 보이며, 비틀림 변형의 핵 구조 에너지 계층(쉬운, 어려운, 분할된)을 DFT 수준의 정확도로 예측하였다.
• GAP 및 PACE-FS 모두 비틀림 변형에서 페일러스 장벽과 키프어 페어 형성 메커니즘을 성공적으로 재현하여 대규모 연성성 시뮬레이션에 적합함을 확인하였다.
• 모든 ML-IAP 및 데이터베이스에서 동일하게, 미리 균열이 가해진 면에서의 균열이 0K에서의 주요 균열 메커니즘이었으며, 모델이나 훈련 데이터에 관계없이 일관되게 예측되었다.
• 활성 학습과 최적화된 데이터베이스 설계를 통해 DFT 데이터의 약 1/5로도 동일한 정확도와 이식성을 달성하여 계산 비용을 크게 절감하였다.
• 경쟁 핵 구조 간의 미세한 에너지 차이(예: 모서리 변형 및 M111 변형)는 ML-IAP 선택과 훈련 데이터베이스에 민감하게 반영되었으며, 이는 DFT 정확도가 모델 선별에 중요한 역할을 함을 시사한다.