[논문 리뷰] Efficient accurate scalable and transferable quantum machine learning with am-ons

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

Machine Learning in Materials Science참고 문헌 2인용 수 6

한 줄 요약

이 논문은 원자-분자 기반 양자 기계학습(AML)을 소개한다. AML은 화학적으로 의미 있는 조각(amon)을 사용하여 다양한 시스템에서 양자 성질을 모델링하는 확장 가능하고 이식 가능한 프레임워크이다. amon과 활성 학습을 조합함으로써, 분자, 2차원 물질, 생고분자에서 에너지, 힘, NMR 시프트, 분극율을 높은 정확도로 예측할 수 있으며, 주기율표 개념을 局소 화학 환경으로 확장한다.

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

• 화학 공간의 종합적인 시뮬레이션 스크리닝을 위한 첫 번째 원리 양자화학 방법의 금방이 되는 계산 비용을 극복하기 위해.
• 유기 분자에서 생고분자, 2차원 물질에 이르기까지 다양한 화학 시스템에서 복잡한 양자 성질을 정확히 모델링하는 데 도전하기 위해.
• 다양한 화학 환경과 화합물 유형을 관통해 일반화할 수 있는 확장 가능하고 이식 가능한 기계학습 프레임워크를 개발하기 위해.
• 복잡한 화학을 국소적이고 화학적으로 의미 있는 빌딩 블록(amons)으로 체계적으로 재구성하여 모델의 해석 가능성과 이식 가능성을 향상시키기 위해.

제안 방법

• 양자화학적 분석에서 유도된 원자-분자 조각(amons)을 정의하여 국소적 화학 환경을 포착한다.
• amons를 기계학습 모델의 국소적 기술자로 사용하여 화학적으로 해석 가능한 방식으로 분자 구조를 표현한다.
• amons 기반 표현을 사용해 이식 가능한 양자 기계학습 모델을 훈련시켜 다양한 화학 시스템으로의 일반화를 가능하게 한다.
• 반복적으로 가장 정보가 풍부한 구성을 선택하는 활성 학습을 적용하여 데이터 효율성을 향상시킨다.
• 유기 분자, 2차원 물질, 물 클러스터, DNA 기저 쌍, 유비퀴틴 등을 포함한 광범위한 시스템에서 양자역학적 성질을 목표로 하여 모델을 훈련시킨다.
• amons의 국소적 특성을 활용하여 다양한 화학 환경과 화합물 유형 간의 확장 가능성과 이식 가능성을 보장한다.

실험 결과

연구 질문

• RQ1 amons는 확장 가능하고 이식 가능한 양자 기계학습 모델을 구축하는 데 효과적이고 화학적으로 의미 있는 국소적 빌딩 블록으로서 기능할 수 있는가?
• RQ2 AML 모델은 에너지, 힘, NMR 시프트, 분극율 등 다양한 양자 성질을 구조적·화학적으로 다양성이 큰 시스템에서 높은 정확도로 예측할 수 있는가?
• RQ3 amons 기반 표현과 활성 학습을 통합함으로써 기계학습의 데이터 효율성과 모델 성능은 어떻게 향상되는가?
• RQ4 AML 프레임워크는 국소 조각에서 체계적으로 복잡한 화학을 재구성할 수 있으며, 이를 통해 화학 환경에 대한 주기율표 개념을 효과적으로 확장할 수 있는가?
• RQ5 AML 모델은 작은 유기 분자에서 생고분자, 2차원 물질에 이르기까지 다양한 화학 공간 간에 얼마나 이식 가능한가?

주요 결과

• AML 프레임워크는 다양한 시스템에서 에너지, 힘, NMR 시프트, 분극율과 같은 양자역학적 성질을 높은 정확도로 예측한다.
• AML 모델은 강력한 이식 가능성을 보이며, 예측되지 않은 화학 환경과 화합물 유형에 대해서도 신뢰할 수 있는 예측을 가능하게 한다.
• amons를 국소적 기술자로 사용함으로써 화학적으로 의미 있는 조각에서 체계적으로 복잡한 화학을 재구성할 수 있다.
• 활성 학습은 데이터 효율성을 크게 향상시켜 고수준의 양자화학 계산이 필요한 수를 줄인다.
• 이 방법은 2차원 물질과 유비퀴틴과 같은 생고분자와 같은 큰 복잡한 시스템으로도 효과적으로 확장 가능하다.
• AML은 국소 amons 기반 표현을 통해 화학 환경 효과를 통합함으로써 주기율표의 개념적 프레임워크를 확장한다.