[논문 리뷰] Graph Nets for Partial Charge Prediction

Yuanqing Wang, Josh Fass외 3명|arXiv (Cornell University)|2019. 09. 17.

Machine Learning in Materials Science참고 문헌 13인용 수 16

한 줄 요약

이 논문은 DFT 유도 충전값을 기반으로 훈련된 미분 가능하고 순열에 등장하는 그래프 신경망 아키텍처를 활용하여 분자의 부분 전하를 정확하고 빠르게 예측하기 위한 그래프 네트워크를 제안한다. 모델은 전통적인 방법보다 500배 이상 빠른 속도로 DFT 기준값과 비교해 RMSE 0.0223 e를 달성하며, 분자의 크기와 관계없이 정확성을 유지하고, 제곱형 프로그래밍을 통해 전역 전하 보존을 강제한다.

ABSTRACT

Atomic partial charges are crucial parameters for Molecular Dynamics (MD) simulations, molecular mechanics calculations, and virtual screening, as they determine the electrostatic contributions to interaction energies. Current methods for calculating partial charges, however, are either slow and scale poorly with molecular size (quantum chemical methods) or unreliable (empirical methods). Here, we present a new charge derivation method based on Graph Nets---a set of update and aggregate functions that operate on molecular topologies and propagate information thereon---that could approximate charges derived from Density Functional Theory (DFT) calculations with high accuracy and an over 500-fold speed up.

연구 동기 및 목표

• 소형 유기 분자에서 원자 부분 전하를 빠르고 정확하게 예측할 수 있는 방법을 개발하여 느린 양자화학적 또는 신뢰할 수 없는 경험적 방법을 대체한다.
• 분자 그래프 학습에서 원자별 회귀 작업에 대해 확장 가능하고, 미분 가능한 모델의 부족을 해결한다.
• 예측된 부분 전하의 합이 분자의 총 전하와 일치하도록 하여 물리적 일관성을 확보한다.
• 다양한 힘장 파rameter 최적화에 통합할 수 있도록, 미분 가능하고 종단 간 훈련이 가능한 아키텍처를 제공한다.
• 시스템 크기에 관계없이 예측 정확도가 유지되는 방식으로 대규모 분자 데이터셋에 스케일링할 수 있다.

제안 방법

• 학습 가능한 업데이트 및 집계 함수를 갖춘 전체 블록 그래프 넷 아키텍처를 사용하며, 노드, 엣지, 글로벌 속성에 대해 작용한다.
• 노드 특징은 원소의 one-hot 인코딩으로 초기화되며, 피드포워드 네트워크를 통해 초기 노드 임베딩을 생성한다.
• 엣지 특징은 공명 구조의 평균 결합 차수에서 유래된 것으로, 별도의 피드포워드 네트워크를 통해 초기화된다.
• 최종 전하 예측을 제약 조건이 있는 타당한 제곱형 프로그래밍으로 설정하여 전역 전하 보존을 강제한다. 이는 원자 전하의 합이 분자의 총 전하와 일치하도록 한다.
• 350,259개 분자의 ChEMBL 데이터셋에서 DFT 유도 전하를 타겟으로 하여 ε=4 유전율 조건 하에 역전파를 통한 훈련을 수행한다.
• TensorFlow 2.0을 사용하여 구현되었으며, 분산 및 병렬 추론을 지원하며, MIT 라이선스 하에 소스 코드를 오픈소스로 공개한다.

실험 결과

연구 질문

• RQ1 미분 가능하고 그래프 기반의 딥 러닝 모델이 양자화학적 방법보다 훨씬 빠르면서도 DFT 수준의 정확도로 부분 전하를 예측할 수 있는가?
• RQ2 분자의 크기가 증가함에 따라 성능이 어떻게 변화하는가? 특히 예측 오차 측면에서 어떻게 변화하는가?
• RQ3 그래프 신경망 아키텍처가 미분 가능하고 확장 가능한 방식으로 전역 전하 보존을 강제할 수 있는가?
• RQ4 규칙 기반 지문에 의존하지 않고도 다양한 원소, 특히 무거운 원자와 할로겐 원자에 대해 잘 일반화되는가?
• RQ5 모델의 미분 가능성과 종단 간 훈련 능력 덕분에 힘장 최적화 파이프라인에 통합될 수 있는가?

주요 결과

• 검증 세트의 299,811개 원자에 대해 전체 RMSE가 0.0223 e이며, 95% 신뢰구간 [0.0221, 0.0225] e이다.
• 수소 원소의 경우 R²가 0.9744이고 RMSE가 0.0144 e로, 이는 이 보편적인 원소에 대해 매우 높은 정확도를 의미한다.
• 분자의 크기와 관계없이 일관된 성능을 유지하며, 최대 63개 원자를 포함한 큰 시스템에서도 오차가 유의미하게 증가하지 않는다.
• 무작위 숲 기반 베이스라인(Bliziffer 등)보다 정확도와 미분 가능성 측면에서 뛰어나, 힘장 파rameter와 함께 공동 최적화가 가능하다.
• AM1-BCC보다 약 500배 빠르며, 분자당 추론 시간이 약 0.03초로, 고속도의 가상 스크리닝을 가능하게 한다.
• 탄소 원소(정확도 R²=0.9932, RMSE=0.0217 e)와 황 원소(정확도 R²=0.9935, RMSE=0.0524 e)에 대해 뛰어난 성능을 보였지만, 요오드 원소의 경우 정확도가 저하됨(R²=0.2819, RMSE=0.1948 e), 이는 훈련 데이터 부족으로 인한 것으로 보인다.