[논문 리뷰] Efficient hybrid density functional calculation by deep learning

Zechen Tang, He Li외 8명|arXiv (Cornell University)|2023. 02. 16.

Machine Learning in Materials ScienceMaterials Science인용 수 3

한 줄 요약

이 논문은 소규모 자기구속장 계산에서 유한기능 힘학적 해밀토니안을 학습하는 딥에이치-하이브리드라는 딥 등변성 신경망 방법을 소개한다. 이는 대규모 시스템에 대한 효율적이고 정확한 전자구조 시뮬레이션을 가능하게 한다. 이 방법은 전통적인 DFT에 비해 수십만 배 빠른 속도 향상을 이룩하면서도 높은 정확도를 유지한다. 마법의 각도를 가진 이중층 그래핀에서 HSE 밴드 구조를 예측한 결과, 정확한 전자교환 효과로 인해 평탄한 밴드의 폭이 10배 증가함을 확인하였다.

ABSTRACT

Hybrid density functional calculation is indispensable to accurate description of electronic structure, whereas the formidable computational cost restricts its broad application. Here we develop a deep equivariant neural network method (named DeepH-hybrid) to learn the hybrid-functional Hamiltonian from self-consistent field calculations of small structures, and apply the trained neural networks for efficient electronic-structure calculation by passing the self-consistent iterations. The method is systematically checked to show high efficiency and accuracy, making the study of large-scale materials with hybrid-functional accuracy feasible. As an important application, the DeepH-hybrid method is applied to study large-supercell Moiré twisted materials, offering the first case study on how the inclusion of exact exchange affects flat bands in the magic-angle twisted bilayer graphene.

연구 동기 및 목표

• 대규모 재료 시뮬레이션에서 하이브리드 밀도기능이론(DFT)의 높은 계산 비용을 극복하기 위해.
• 일반화된 콘-샤무 프레임워크 내에서 국소 및 국소 외 기능을 넘어서 비국소 하이브리드 기능으로 딥러닝 기반 전자구조 방법(딥에이치)을 확장하기 위해.
• 특히 밴드 구조 및 밴드 갭과 같은 전자적 성질을 복잡한 슈퍼구조물, 예를 들어 이중층 그래핀의 비틀림에 대해 하이브리드 기능을 사용하여 효율적이고 정확하게 예측할 수 있도록 하기 위해.
• 마법의 각도를 가진 이중층 그래핀(MATBG)에서 정확한 전자교환 효과가 평탄한 밴드 물리에 미치는 영향을 대규모 스케일에서 조사하기 위해.
• 학습된 해밀토니안의 일반화 및 이식 가능성(transferability)을 다양한 비틀림 각도와 원자 구조에 걸쳐 검증하기 위해.

제안 방법

• 소규모 기준 시스템의 자기구속장 데이터를 사용하여, 원자 구조에 따라 하이브리드 기능 힘학적 콘-샤무 해밀토니안 $ H_{\text{DFT}}^{\text{hyb}} $ 를 예측하는 딥 E(3)-등변성 신경망을 훈련시킨다.
• 국소 원자 기저 집합에서의 가까운 시선 원리(nearsightedness principle)를 활용하여, 학습된 신경망 파rameter를 통해 비국소 전자교환상관 효과를 효과적으로 표현한다.
• 표준 DFT와 비교해 반복 자기구속장(SCF) 절차를 생략하고 직접 해밀토니안을 출력함으로써 계산 비용을 극적으로 감소시킨다.
• 다양한 스택 구조를 시뮬레이션하기 위해, 무작위로 평면 내 이동 및 계면 간격을 조정한 비틀림이 없는 이중층 그래핀에 대해 먼저 모델을 훈련시킨다.
• 데이터 증강 및 아키텍처의 불변성 덕분에, 다양한 비틀림 각도(예: 21.79°, 13.17°, 9.43°)와 큰 초세포(최대 11,164 원자)를 가진 이중층 그래핀(TBG)으로의 일반화를 달성한다.
• 예측된 밴드 구조 및 페르미 속도를 기준 DFT 계산 결과와 비교하여 모델을 검증하며, 정확도 및 효율성에 대한 정량적 지표를 보고한다.

실험 결과

연구 질문

• RQ1 딥러닝은 일반화된 콘-샤무 프레임워크 내에서 하이브리드 기능의 비국소 전자교환 포텐셜을 효과적으로 표현할 수 있는가?
• RQ2 소규모 단순 시스템에서 훈련된 딥 네트워크가 10,000개 이상의 원자를 포함하는 대규모 복잡한 슈퍼구조물인 비틀림 이중층 그래핀으로 일반화될 수 있는가?
• RQ3 HSE 기능을 통한 정확한 전자교환의 포함 여부가 PBE 기능에 비해 마법의 각도를 가진 이중층 그래핀에서 평탄한 밴드 성질에 어떤 영향을 미치는가?
• RQ4 대규모 하이브리드 기능 계산에서 전통적인 DFT에 비해 딥에이치-하이브리드 방법의 계산 효율성 향상 정도는 어느 정도인가?
• RQ5 모델은 비용의 일부분에 불과한 비용으로 아비시노 정밀도(ab initio accuracy)를 갖는 전자적 성질, 예를 들어 밴드 갭과 페르미 속도를 정확하게 예측할 수 있는가?

주요 결과

• 딥에이치-하이브리드는 전통적인 DFT에 비해 계산 비용을 수십만 배 감소시키며, 시스템 크기에 대한 스케일링이 낮아진다.
• 다양한 비틀림 각도에서 이중층 그래핀의 밴드 구조를 매우 높은 정확도로 예측하며, 기준 DFT 결과와 우수한 일치를 보인다.
• 마법의 각도를 가진 이중층 그래핀(11,164 원자)에서 HSE를 통한 정확한 전자교환 포함으로 평탄한 밴드의 폭이 PBE의 4.1 meV 에서 41.1 meV 로 증가하여 평탄성이 크게 감소함을 나타낸다.
• 페르미 속도는 PBE의 0.9 m/s 에서 HSE의 36.2 m/s 로 증가하여 정확한 전자교환으로 인해 전자역학의 정성적 변화가 발생함을 시사한다.
• 비틀림이 없는 이중층 그래핀에서 비틀림 초세포로의 일반화에 성공하여, 다양한 구조적 변형과 스택 구조에 대해 강건함을 입증한다.
• 딥에이치-하이브리드는 모리의 비틀림 재료에서 하이브리드 기능 전자구조에 대한 첫 번째 대규모 연구를 가능하게 하여, 복잡한 상관 시스템의 정확하고 효율적인 시뮬레이션의 길을 열었다.