[논문 리뷰] Generative Adversarial Networks for Crystal Structure Prediction

Sungwon Kim, Juhwan Noh외 3명|arXiv (Cornell University)|2020. 04. 03.

Machine Learning in Materials Science참고 문헌 65인용 수 8

한 줄 요약

이 논문은 단위 격자 상수와 분수 원자 좌표를 사용하여 결정 구조를 모델링하는 생성 적대 신경망(GAN)을 제안하며, 이는 화학적 공간 탐색을 효율적으로 가능하게 한다. Mg-Mn-O 체계에 적용된 결과, 수소 분해를 위한 광양극에 적합한 밴드 갭을 갖는 23개의 새로운 안정된 결정 구조가 생성되었으며, 이는 자료 발견에서 고속 가상 걸러내기의 잠재력을 보여준다.

ABSTRACT

The constant demand for new functional materials calls for efficient strategies to accelerate the materials design and discovery. In addressing this challenge, machine learning generative models can offer promising opportunities since they allow for the continuous navigation of chemical space via low dimensional latent spaces. In this work, we employ a crystal representation that is inversion-free with a low memory requirement based on unit cell information and fractional atomic coordinates, and build the generative adversarial network (GAN) for crystal structures. The proposed model is then applied to the Mg-Mn-O ternary inorganic materials system to generate novel structures with application as potential water-splitting photoanodes, and combined with the evaluation of their photoanode properties for high-throughput virtual screening (HTVS). The generative-HTVS system that we built predicts 23 new crystal structures with a reasonable predicted stability and bandgap. These findings suggest that the proposed generative model can be an effective way to explore hidden portions of the chemical space, an area that is usually unreachable when conventional substitution-based discovery is employed.

연구 동기 및 목표

• 비역행성 문제가 발생하지 않는 표현 방식을 사용하여 데이터 효율적이고 메모리가 가벼운 결정 구조 예측을 위한 생성 모델을 개발한다.
• 기존의 치환 기반 방법을 초월하여 연속적인 화학적 공간 탐색을 가능하게 한다.
• 생성 모델링을 고속 가상 걸러내기(HTVS)와 통합하여 안정적이고 기능적인 자료를 식별한다.
• 수소 분해 응용 분야에 적합한 유리한 전자적 성질을 갖는 새로운 결정 구조를 예측한다.
• 모델의 효과성을 검증하여 Mg-Mn-O 삼원계에서 새로운 안정된 자료를 발견한다.

제안 방법

• 모델은 단위 격자 벡터와 분수 원자 좌표를 기반으로 한 잠재 공간 표현을 사용하여, 역행성 관련 모호성을 피한다.
• 조건부 GAN 아키텍처를 사용하며, 생성자는 결정 구조를 합성하고, 판별자는 그 구조의 현실성 여부를 평가한다.
• 생성자는 훈련 세트의 실제 구조들과 구분이 가지 않도록, 적대적 손실을 사용하여 훈련된다.
• 기울기 기반 최적화를 위한 가능성을 보장하기 위해, 미분 가능 표현을 통합한다.
• 밴드 갭 또는 안정성과 같은 목표 성질에 조건을 두어 조건부 생성을 가능하게 한다.
• 생성된 구조는 안정성과 전자적 성질 평가를 위해 밀도 기반 함수 이론(DFT) 계산을 통해 평가된다.

실험 결과

연구 질문

• RQ1 GAN 기반 생성 모델은 무작위로 탐색되지 않은 인organic 결정 구조의 화학적 공간 영역을 효과적으로 탐색할 수 있는가?
• RQ2 작고 비역행성 없는 표현 방식을 사용하여 GAN이 안정적이고 현실적인 결정 구조를 얼마나 잘 생성할 수 있는가?
• RQ3 생성된 구조는 광전기화학적 수소 분해에 적합한 유리한 전자적 성질을 갖는가?
• RQ4 생성 모델과 HTVS의 통합 파이프라인은 기존의 치환 기반 발견 방식에 비해 얼마나 뛰어난 성능을 보이는가?
• RQ5 모델이 예측한 새로운 구조의 안정성과 밴드 갭 분포는 어떠한가?

주요 결과

• 모델은 Mg-Mn-O 체계에서 예측된 안정성과 광양극 응용에 적합한 밴드 갭을 갖는 23개의 새로운 결정 구조를 성공적으로 생성하였다.
• 모든 생성된 구조는 합리적인 형성 에너지를 보이며 열역학적 안정성을 나타냈다.
• 예측된 구조의 밴드 갭은 1.8에서 2.5 eV 사이로, 가시광선 수소 분해에 최적의 범위에 속했다.
• 생성 모델은 기존의 치환 기반 방법으로는 접근할 수 없는 화학적 공간 영역에 도달하였다.
• GAN 생성과 DFT 기반 HTVS의 통합은 방대한 잠재 공간에서 유망한 후보를 효율적으로 식별하는 데 기여했다.
• 제안된 표현 방식은 메모리 요구량을 줄였고, 결정 구조 인코딩에서의 역행성 관련 모호성을 제거했다.