[논문 리뷰] Efficient prediction of 3D electron densities using machine learning

Mihail Bogojeski, Felix Brockherde외 5명|arXiv (Cornell University)|2018. 11. 15.

Machine Learning in Materials Science참고 문헌 24인용 수 12

한 줄 요약

이 논문은 밀도-functional 이론에서 계산 비용이 큰 코른-쇼암 방정식을 우회하기 위해 외부 포텐셜에서 전자 밀도로의 호헨베르크-코른 맵을 커널 리지 회귀를 사용해 학습하는 기계학습 접근법을 제시한다. 이 방법은 DFT 수준의 정확도를 유지하면서도 계산 비용의 일부로 3D 전자 밀도와 총 에너지를 예측할 수 있으며, 전자 밀도 기반 예측만으로 안정적인 분자 동역학 시뮬레이션을 가능하게 하여 전통적 DFT 대비 최대 99%의 속도 향상을 달성한다.

ABSTRACT

The Kohn-Sham scheme of density functional theory is one of the most widely used methods to solve electronic structure problems for a vast variety of atomistic systems across different scientific fields. While the method is fast relative to other first principles methods and widely successful, the computational time needed is still not negligible, making it difficult to perform calculations for very large systems or over long time-scales. In this submission, we revisit a machine learning model capable of learning the electron density and the corresponding energy functional based on a set of training examples. It allows us to bypass solving the Kohn-Sham equations, providing a significant decrease in computation time. We specifically focus on the machine learning formulation of the Hohenberg-Kohn map and its decomposability. We give results and discuss challenges, limits and future directions.

연구 동기 및 목표

• 밀도-functional 이론에서 코른-쇼암 방정식을 풀지 않고도 3D 전자 밀도와 총 에너지를 예측할 수 있는 기계학습 모델을 개발하는 것.
• 기존 DFT의 높은 계산 비용 문제를 해결하기 위해 반복적인 SCF 절차를 훈련된 기계학습 모델로 대체하는 것.
• 예측된 전자 밀도와 에너지 함수를 유일하게 사용하여 빠르고 정확한 분자 동역학 시뮬레이션을 가능하게 하는 것.
• 기계학습을 사용해 호헨베르크-코른 맵과 그 분해 가능한 구조를 학습할 수 있는 가능성을 탐색하는 것.

제안 방법

• 외부 포텐셜 v(r)에서 전자 밀도 n(r)로의 호헨베르크-코른 맵을 커널 리지 회귀(KRR)를 통해 학습한다.
• 전자 밀도는 기저 전개식으로 표현되며, 각 기저 계수는 독립적으로 KRR를 사용해 예측되어 분해 가능한 학습이 가능해진다.
• 예측된 밀도에서 총 에너지로의 에너지 함수를 별도의 KRR 모델이 학습하여, 힘 예측 없이도 분자 동역학를 가능하게 한다.
• 원자핵 중심의 가우시안 형 함수를 기반으로 한 대칭을 고려한 기술자(descriptor)를 사용하여 분자의 기하학적 구조를 인코딩한다.
• 작은 분자들에서 DFT로 계산된 전자 밀도와 에너지를 기반으로 한 데이터셋을 사용하여 모델을 훈련하며, 기준 계산은 Quantum ESPRESSO를 사용한다.
• 예측된 에너지 표면에서 유도된 힘을 사용하여 분자 동역학 궤적을 생성함으로써 방법의 유효성을 검증한다.

실험 결과

연구 질문

• RQ1 코른-쇼암 방정식을 풀지 않고도 외부 포텐셜에서 3D 전자 밀도를 정확하게 예측할 수 있는 기계학습 모델이 가능한가?
• RQ2 기저 계수 예측의 분해 가능한 구조는 전자 밀도 모델링의 효율성과 확장성에 어떻게 기여하는가?
• RQ3 예측된 전자 밀도와 에너지 함수는 얼마나 안정적인 분자 동역학 시뮬레이션을 지원할 수 있는가?
• RQ4 기계학습-호헨베르크-코른 맵은 다양한 분자 구형체에 대해 일반화될 수 있으며, 대칭성과 관련된 과제에도 강인한가?
• RQ5 현재 모델은 분자 시스템에서의 회전 및 거울 대칭성 처리에 있어 어떤 한계를 갖는가?

주요 결과

• 기계학습-호헨베르크-코른 맵은 전통적 DFT 대비 계산 시간을 99% 감소시키면서도 전자 밀도와 에너지 예측에서 DFT 수준의 정확도를 유지한다.
• 예측된 에너지만을 사용하여 300 K에서 말로날데하이드의 안정적인 분자 동역학 궤적을 생성하였으며, 최대 절대 에너지 오차는 5.7 kcal/mol이었다.
• 독립적인 KRR 모델을 통한 기저 계수 분해 구조의 사용은 훈련 효율성과 모델의 해석 가능성 모두를 크게 향상시켰다.
• 힘 예측 없이도 전자 밀도에서 에너지로의 맵핑만으로도 분자 동역학가 가능하다는 점을 입증하였다.
• 모델는 다양한 분자 구형체에서 우수한 성능을 보였지만, 회전 및 거울 대칭성 불일치로 인한 정렬 불완전성으로 인해 성능에 영향을 받는 것으로 나타났다.
• 이 프레임워크는 탄력적이고 확장 가능하여, 에너지 맵을 힘 맵으로 교체함으로써 더 높은 분자 동역학 정확도를 향상시킬 수 있다.