[논문 리뷰] Global Optimization of Atomic Clusters via Physically-Constrained Tensor Train Decomposition

Konstantin Sozykin, Nikita Rybin외 6명|arXiv (Cornell University)|2026. 01. 26.

Machine Learning in Materials Science인용 수 0

한 줄 요약

논문은 물리적 제약 인코딩을 가진 텐서 트레인(TT) 기반 프레임워크를 제시하여 저랭크 텐서 표현을 활용해 포텐셜 에너지 표면의 전역 최적화를 수행하고, 대수적(TTOpt) 및 확률적(PROTES) 전략을 결합합니다.

ABSTRACT

The global optimization of atomic clusters represents a fundamental challenge in computational chemistry and materials science due to the exponential growth of local minima with system size (i.e., the curse of dimensionality). We introduce a novel framework that overcomes this limitation by exploiting the low-rank structure of potential energy surfaces through Tensor Train (TT) decomposition. Our approach combines two complementary TT-based strategies: the algebraic TTOpt method, which utilizes maximum volume sampling, and the probabilistic PROTES method, which employs generative sampling. A key innovation is the development of physically-constrained encoding schemes that incorporate molecular constraints directly into the discretization process. We demonstrate the efficacy of our method by identifying global minima of Lennard-Jones clusters containing up to 45 atoms. Furthermore, we establish its practical applicability to real-world systems by optimizing 20-atom carbon clusters using a machine-learned Moment Tensor Potential, achieving geometries consistent with quantum-accurate simulations. This work establishes TT-decomposition as a powerful tool for molecular structure prediction and provides a general framework adaptable to a wide range of high-dimensional optimization problems in computational material science.

연구 동기 및 목표

• 에너지 지형이 지수적으로 많은 국소 최적점을 갖는 원자 클러스터의 전역 최적화를 동기로 삼고 해결한다.
• 차원 간 저주를 완화하기 위해 에너지 표면을 저랭크 텐서로 표현하는 TT 기반 프레임워크를 도입한다.
• 격자화(discretization)에 분자 제약을 포함하기 위한 물리적 제약 인코딩 스킴을 개발한다.
• 대수적 및 확률적 TT 기반 최적화 방법을 결합해 거의 전역 최소에 근접하는 해를 식별한다.
• Lennard-Jones 클러스터(최대 45 원자)와 기계 학습 포텐셜으로 모델링된 탄소 클러스터에서의 효과를 시연한다.

제안 방법

• 클러스터 에너지 E(x)를 이산화 격자에서 d-차원 텐서 E로 TT 포맷으로 표현해 저랭크 저장 및 연산을 가능하게 한다.
• 두 가지 TT 기반 최적화 전략을 사용한다: TTOpt(최대 부피 기반 대수적 최적화)와 PROTES(TT 기반 확률 분포 추정으로의 샘플링)
• TTOpt는 텐서 언폴딩을 처리하고 최대 부피를 갖는 서브매트릭스를 반복적으로 선택해 근사적으로 전역 최소를 탐지하며 래크가 적응적으로 변할 수 있다.
• PROTES는 TT 분해 확률 분포 p_theta(n)를 EE의 제곱에 비례하도록 구성해 후보 구성을 샘플링한 뒤, 상위-k 에너지 후보를 사용해 SGD로 TT 코어를 업데이트한다.
• 입자 좌표를 직접 Direct, 상대 Relative, 비트 Bit 인코딩 등 여러 이산화 스킴을 통해 전달/회전 불변성과 물리적 간격 제약을 반영한다.
• PROTES를 이용한 물리적으로 제약된 초기화 및 다양한 인코딩 스킴이 현실적이고 겹침이 없는 구성을 보장하도록 활용된다.

실험 결과

연구 질문

• RQ1 원자 클러스터의 고차원 포텐셜 에너지 표면의 저랭크 구조를 텐서 트레인 표현이 포착할 수 있는가?
• RQ2 TTOpt와 PROTES가 거친 에너지 지형에서 상호 보완적인 강점을 제공하는가?
• RQ3 물리적으로 제약된 인코딩 스킴이 TT 기반 최적화의 탐색 효율성 및 해의 질에 어떤 영향을 미치는가?
• RQ4 프레임워크가 Lennard-Jones 클러스터(최대 45 원자) 및 기계 학습 간 상호작용 포텐셜로 모델링된 탄소 클러스터에서 효과적인가?
• RQ5 TT 기반 최소값의 정확도는 양자 정확도 시뮬레이션 또는 고충실도 포텐셜과 비교해 어느 정도인가?

주요 결과

• 제안된 TT 기반 프레임워크를 사용해 Lennard-Jones 클러스터의 45원자까지의 전역 최소값을 식별했다.
• 기계 학습 모먼트 텐서 포텐셜(Moment Tensor Potential)을 사용할 때 20-원자 탄소 클러스터의 기하가 양자 정확도 시뮬레이션과 일치하는 것으로 나타났다.
• 대수적 TTOpt와 확률적 PROTES의 조합은 저랭크 구조와 정보 기하를 활용해 고차원 최적화에 대처한다.
• 물리적으로 제약된 인코딩은 탐색 공간을 효과적으로 축소하고 합리적인 원자 간 거리 및 각 구성 조건을 강제한다.
• TT 분해는 계산 재료과학의 고차원 최적화 문제에 대한 저장 및 계산 효율을 가능하게 한다.