[논문 리뷰] General-purpose machine-learned potential for 16 elemental metals and their alloys

Keke Song, Rui Zhao외 26명|arXiv (Cornell University)|2023. 11. 08.

Machine Learning in Materials Science인용 수 6

한 줄 요약

이 논문은 16개의 원소 금속(Ag, Al, Au, Cr, Cu, Mg, Mo, Ni, Pb, Pd, Pt, Ta, Ti, V, W, Zr)과 그 합금을 대상으로 하는 일반 목적의 기계학습 잠재력(MLP)인 UNEP-v1을 제시한다. 이 모델은 화학적 공간을 효율적으로 탐색하기 위해 최소한의 16개의 이원계 및 120개의 이원계 시스템을 기반으로 훈련되었으며, 밀도함수이론(DFT) 수준의 높은 정확도를 확보하면서도 1초당 1.5×10⁸개 원자까지 1억 개 원자를 초과하는 대규모 분자역학 시뮬레이션을 가능하게 하였다. 이는 내열성 고엔트로피 합금에서의 플라스티시티 및 방사선 손상 모델링에서 뛰어난 성능을 보여주었다.

ABSTRACT

Machine-learned potentials (MLPs) have exhibited remarkable accuracy, yet the lack of general-purpose MLPs for a broad spectrum of elements and their alloys limits their applicability. Here, we present a feasible approach for constructing a unified general-purpose MLP for numerous elements, demonstrated through a model (UNEP-v1) for 16 elemental metals and their alloys. To achieve a complete representation of the chemical space, we show, via principal component analysis and diverse test datasets, that employing one-component and two-component systems suffices. Our unified UNEP-v1 model exhibits superior performance across various physical properties compared to a widely used embedded-atom method potential, while maintaining remarkable efficiency. We demonstrate our approach's effectiveness through reproducing experimentally observed chemical order and stable phases, and large-scale simulations of plasticity and primary radiation damage in MoTaVW alloys. This work represents a significant leap towards a unified general-purpose MLP encompassing the periodic table, with profound implications for materials science.

연구 동기 및 목표

• 시스템 특화 훈련이 필요 없이 광범위한 원소 금속과 그 합금을 정확하게 모델링할 수 있는 통합된 일반 목적의 기계학습 잠재력(MLP)을 개발하는 것.
• 16개의 이원계 및 120개의 이원계 시스템만으로도 16개 금속의 전체 화학적 공간을 대표할 수 있음을 보여줌으로써 훈련 데이터의 조합 폭발 문제를 줄이는 것.
• 밀도함수이론(DFT) 수준의 정확도를 확보하면서도 고성능 계산 효율성을 확보하여 대규모 분자역학 시뮬레이션을 가능하게 하는 것.
• 내열성 고엔트로피 합금에서의 플라스티시티 및 초기 방사선 손상과 같은 복잡한 현상에 대한 적용을 통해 모델의 일반성과 강건성을 검증하는 것.
• 훈련된 모델, 훈련 데이터, 시뮬레이션 도구를 오픈소스로 제공하여 재료 연구의 가속화를 도모하는 것.

제안 방법

• 모델는 다체 대칭 함수(MBFS)를 기반으로 한 신경망 잠재력(NNP) 프레임워크를 사용하며, 16개의 원소 금속과 120개의 이원계 합금으로 구성된 정제된 데이터셋을 기반으로 훈련된다.
• 다중 손실 진화 훈련 알고리즘을 적용하여 다양한 화학적 환경에서 정확도와 일반화 능력을 균형 잡는 신경망 최적화를 수행한다.
• 화학적 공간은 이원계 및 이원계 시스템에만 훈련하여 효율적으로 샘플링하며, 고차원 합금은 기저 함수 공간 내의 보간점으로 간주한다.
• 훈련의 기준 데이터로 밀도함수이론(DFT) 계산을 사용하며, 다양한 상과 변형 상태에서 광범위한 구조적 샘플링을 수행한다.
• 대규모 분자역학 시뮬레이션은 GPUMD 및 PyNEP 소프트웨어 스택을 사용하여 수행되며, 동적 시간단계 제어 및 전자 정지 효과를 통한 방사선 손상 시뮬레이션을 구현한다.
• 빈약한 결함과 자기이종결함은 위그너-세이츠 세포 방법을 사용하여 식별하며, 군집은 제2 및 제3근접 이웃 거리 기반으로 정의된다.

실험 결과

연구 질문

• RQ1 16개의 원소 금속과 그 합금의 열역학적 및 기계적 성질을 정확하게 기술할 수 있는 단일 통합 기계학습 잠재력이 훈련될 수 있는가?
• RQ2 16개의 이원계 및 120개의 이원계 훈련 시스템만으로도 16개 금속의 전체 화학적 공간을 대표할 수 있는가? 모든 조합을 완전히 열거하지 않고도 가능한가?
• RQ3 통합 MLP의 성능이 공액 에너지, 탄성 상수, 진동 분포를 예측하는 데 있어 임베디드 아톰 메서드(EAM) 잠재력과 비교해 어떻게 되는가?
• RQ4 내열성 고엔트로피 합금(MoTaVW)과 같은 복잡한 다성분 시스템으로의 일반화 능력은 어느 정도인가?
• RQ5 대규모 분자역학 시뮬레이션에서 모델의 계산 성능는 어떠한가? 1억 개 원자를 초과하는 시뮬레이션을 고속으로 수행할 수 있는가?

주요 결과

• UNEP-v1은 8개의 80-GiB A100 GPU를 사용하여 1초당 1.5×10⁸개 원자를 처리하는 계산 속도를 확보하여 최대 1억 개 원자를 초월하는 대규모 시뮬레이션을 가능하게 하였다.
• 16개의 원소 금속 전역에서 공액 에너지, 탄성 상수, 진동 분포 예측에서 임베디드 아톰 메서드(EAM) 잠재력보다 뛰어난 정확도를 보였다.
• MoTaVW 내열성 고엔트로피 합금에서 복잡한 결함 진화를 성공적으로 캐릭터라이즈하였으며, 초기 방사선 손상 후 빈약 결함 군집 및 자기이종결함 군집의 형성을 관찰하였다.
• 고인덱스 방향(⟨135⟩)에서 100-keV의 주요 타격 원자로 방사선 손상 시뮬레이션을 수행한 결과, 140 ps 동안의 시뮬레이션 기간 동안 결함 생성 및 군집화를 정확하게 예측하였다.
• 기저 함수 공간 분석을 통해 고차원 합금(예: 삼원계 및 사원계)이 잘 보간된 점으로 표현됨을 확인하였으며, 최소한의 훈련 데이터 전략의 타당성을 검증하였다.
• 훈련된 모델와 모든 훈련 데이터는 Zenodo(DOI: 10.5281/zenodo.10081677)를 통해 공개되었으며, GPUMD, PyNEP 및 관련 도구의 오픈소스 코드도 함께 제공된다.