[논문 리뷰] Learned Force Fields Are Ready For Ground State Catalyst Discovery

Michael Schaarschmidt, Morgane Rivière외 7명|arXiv (Cornell University)|2022. 09. 26.

Machine Learning in Materials Science인용 수 15

한 줄 요약

이 논문은 기계학습된 힘장(ML-FFs)이 DFT 데이터를 기반으로 훈련된 경우, 심지어 힘 예측 오차가 크더라도 촉매에서 더 낮거나 동일한 기저 상태 에너지를 찾는 데 기존 DFT 균형 조정을 능가할 수 있음을 보여준다. 높은 힘 오차에도 불구하고 ML-FFs와 단순한 '이지 포텐셜'(DFT 최소값 주변의 힘장 근사)은 정확한 최소값을 찾아내어 100배 빠른 구조 최적화를 가능하게 하며, 이는 학습된 힘장을 대규모 촉매 발견에 바로 활용할 수 있음을 시사한다.

ABSTRACT

We present evidence that learned density functional theory (``DFT'') force fields are ready for ground state catalyst discovery. Our key finding is that relaxation using forces from a learned potential yields structures with similar or lower energy to those relaxed using the RPBE functional in over 50\% of evaluated systems, despite the fact that the predicted forces differ significantly from the ground truth. This has the surprising implication that learned potentials may be ready for replacing DFT in challenging catalytic systems such as those found in the Open Catalyst 2020 dataset. Furthermore, we show that a force field trained on a locally harmonic energy surface with the same minima as a target DFT energy is also able to find lower or similar energy structures in over 50\% of cases. This ``Easy Potential'' converges in fewer steps than a standard model trained on true energies and forces, which further accelerates calculations. Its success illustrates a key point: learned potentials can locate energy minima even when the model has high force errors. The main requirement for structure optimisation is simply that the learned potential has the correct minima. Since learned potentials are fast and scale linearly with system size, our results open the possibility of quickly finding ground states for large systems.

연구 동기 및 목표

• 기계학습된 힘장(ML-FFs)이 훈련 분포를 초월한 촉매 재료에서 기저 상태 구조를 신뢰성 있게 찾을 수 있는지 평가하기.
• 힘장 성능이 정확한 힘 예측에 의존하는지, 아니면 올바른 에너지 최소값 위치만으로도 충분한지 조사하기.
• 예를 들어, 힘장 근사 모델과 같은 단순화된 모델이 촉매에서의 구조 최적화를 가속화하는 데 가능성이 있는지 평가하기.
• 에너지, 수렴 속도, 안정성 측면에서 표준 DFT 균형 조정과 비교해 ML-FFs 및 하이브리드 접근법(예: 이지 포텐셜 + DFT)을 평가하기.
• 기존 DFT 기반 최적화 워크플로우를 대체하거나 가속화하여 더 빠르고 스케일러블한 촉매 발견을 가능하게 하기.

제안 방법

• 원자 구조 그래프 위에서 메시지 전달 신경망을 사용해 오픈 촉매 2020(OC20) 데이터셋의 DFT 에너지와 힘 데이터를 기반으로 ML-FFs를 훈련시켰다.
• JAX를 사용해 구조 균형 조정을 수행했으며, JIT 컴파일링과 동적 그래프 패딩을 통해 최적화 중 변화하는 원자 간 거리에 대응했다.
• 기존 최소값 주변에서 DFT 에너지를 힘장 함수로 근사하는 '이지 포텐셜'(EP) 모델을 설계했으며, 전체 힘 데이터가 아닌 국소 에너지 곡률 데이터만을 사용해 훈련했다.
• AdamW 옵timizer를 사용하고, 원자별 힘 예측 결과를 기울기로 활용했으며, 각 위치 갱신 후 최근접 이웃 검색을 통해 그래프 간선을 재계산했다.
• DFT 계산을 위해 Quantum Espresso와 VASP를 모두 사용해 결과를 검증했으며, OC20 벤치마크 설정과 일관성을 확보했다.
• EP와 ML-FF를 조합한 이중 단계 균형 조정을 구현: 먼저 EP로 최적화한 후 ML-FF로 정밀 조정하고, 최종적으로 DFT로 검증했다.

실험 결과

연구 질문

• RQ1 학습된 힘장이 분포 외의 촉매 시스템에 적용되었을 때, DFT와 비교해 더 낮거나 동일한 기저 상태 에너지를 찾을 수 있는가?
• RQ2 학습된 힘장의 성공은 정확한 힘 예측에 의존하는가, 아니면 올바른 에너지 최소값 위치만으로도 충분한가?
• RQ3 국소 최소값 데이터만을 사용해 훈련된 단순화된 힘장 근사(이지 포텐셜)가 구조 최적화에서 표준 ML-FFs를 능가할 수 있는가?
• RQ4 하이브리드 접근법(예: EP 이후 DFT)을 통해 DFT 단계 수를 얼마나 줄일 수 있으며, 최종 구조의 안정성은 어떻게 향상되는가?
• RQ5 실제 촉매 시스템에서 ML-FFs의 수렴 속도와 에너지 정확도는 기존 DFT 균형 조정과 어떻게 비교되는가?

주요 결과

• 분포 외 사례의 50퍼센트 이상에서, ML-FFs 균형 조정은 VASP-RPBE DFT 균형 조정보다 더 낮거나 동일한 에너지를 가진 구조를 도출했으며, 이는 심각한 힘 예측 오차가 존재함에도 불구하고 가능했다.
• 이지 포텐셜(기존 DFT 최소값 주변의 힘장 근사)은 표준 ML-FFs보다 더 적은 단계 내에서 수렴했고, 50퍼센트 이상의 사례에서 더 낮거나 동일한 에너지를 가진 구조를 찾았다.
• 이지 포텐셜 이후 DFT를 적용하는 하이브리드 균형 조정은 필요한 DFT 단계 수를 절반으로 줄였으며, 88퍼센트의 사례에서 동일하거나 더 높은 안정성의 구조를 달성했다.
• DFT 단독 균형 조정 대비 하이브리드 최적화 구조의 평균 에너지 향상은 0.46 eV로, 촉매 안정성 예측 측면에서 상당한 향상이었다.
• ML-FFs 균형 조정의 중앙 수렴 시간은 1분이었으며, 기존 DFT 코드 대비 두 개의 지수 차수 빠른 속도로 대규모 시스템의 신속한 스크리닝을 가능하게 했다.
• 비최소 DFT 데이터를 기반으로 훈련된 ML-FFs도 일관되게 정확한 에너지 최소값을 찾아내었으며, 이는 최적화 성공에 있어 힘 정확도보다 최소값 위치 확보가 더 중요함을 시사한다.