[논문 리뷰] Learning a reactive potential for silica-water through uncertainty attribution

Swagata Roy, Johannes P. Dürholt외 3명|arXiv (Cornell University)|2023. 07. 04.

Machine Learning in Materials Science인용 수 4

한 줄 요약

이 논문은 분자 클러스터의 400,000개의 DFT 계산 에너지 및 힘 데이터를 기반으로 훈련된 실리카-물 시스템을 위한 기계학습 반응성 원자간 잠재력(Interatomic Potential)을 제시한다. 새로운 불확실성 할당 기반 활성 학습 전략을 사용하여, 액체 물과 결정성 실리카의 동적 및 정적 성질을 정확하게 예측하고, 강화된 샘플링 시뮬레이션을 통해 수용액 내 실리케이트 이량체화의 둘레 공격 메커니즘을 규명한다.

ABSTRACT

The reactivity of silicates in an aqueous solution is relevant to various chemistries ranging from silicate minerals in geology, to the C-S-H phase in cement, nanoporous zeolite catalysts, or highly porous precipitated silica. While simulations of chemical reactions can provide insight at the molecular level, balancing accuracy and scale in reactive simulations in the condensed phase is a challenge. Here, we demonstrate how a machine-learning reactive interatomic potential can accurately capture silicate-water reactivity. The model was trained on a new dataset comprising 400,000 energies and forces of molecular clusters at the $ω$-B97XD def2-TVZP level. To ensure the robustness of the model, we introduce a new and general active learning strategy based on the attribution of the model uncertainty, that automatically isolates uncertain regions of bulk simulations to be calculated as small-sized clusters. Our trained potential is found to reproduce static and dynamic properties of liquid water and solid crystalline silicates, despite having been trained exclusively on cluster data. Furthermore, we utilize enhanced sampling simulations to recover the self-ionization reactivity of water accurately, and the acidity of silicate oligomers, and lastly study the silicate dimerization reaction in a water solution at neutral conditions and find that the reaction occurs through a flanking mechanism.

연구 동기 및 목표

• 대규모 수용액 화학을 정확히 기술하는, 미분 가능하고 반응성이 있는 기계학습 원자간 잠재력을 개발하기 위해.
• 실리케이트의 반응성 농도상태 시뮬레이션에서 정확도와 시뮬레이션 규모의 균형을 맞추는 데 도전하는 데에.
• 명시적 용매 조건에서 수소 이온 이동, 물의 자이온화, 실리케이트 올리고머화를 정확하게 모델링하기 위해.
• 대규모 시뮬레이션에서 DFT 계산을 효율적으로 대상으로 하는 일반적인 활성 학습 전략을 도입하기 위해.
• 실험적 물리적 및 화학적 성질에 기반해 모델을 검증하고, 중성 수용액에서 실리케이트 이량체화의 메커니즘을 규명하기 위해.

제안 방법

• ω-B97XD/def2-TZVP 수준에서 실리카와 물의 분자 클러스터에 대해 400,000개의 DFT 계산 에너지 및 힘 데이터셋을 기반으로 그래프 신경망 잠재력 훈련.
• 배치 시뮬레이션에서 높은 불확실성 영역을 식별하기 위해 적대적 공격를 통한 불확실성 할당을 활용한 새로운 활성 학습 루프 구현.
• 훈련된 잠재력을 사용하여, 우마브렐라 샘플링 및 다중상 벤넷 수용률 분석(MBAR) 분석을 포함한 장시간 스케일 분자 동역학 시뮬레이션 수행.
• 평균 제곱 이동(MSD)을 통한 확산 계수 계산 및 유한 체적 보정 항을 사용한 무한한 시스템 크기로의 외삽.
• 5개의 비드를 사용한 고리 고분자 분자 동역학(RPMD) 시뮬레이션에서 속도 자동상관 함수로부터 진동 밀도 상태(VDOS) 계산.
• 반응물과 생성물 상태 간 자유 에너지 차이(ΔF)를 사용하여 pKa 값을 계산하고, pKa = ΔF / (kB T × 2.3026) 관계 적용.

Figure 1: Training dataset and active learning method . a) Distribution of data based on data source - Cluster: silicate and water clusters based on random position guesses. Opt: molecule clusters optimized at a lower level of DFT theory or X-TB. AL: data produced through active learning and NEB: tr

실험 결과

연구 질문

• RQ1 중성 수용액에서 올리오실산(orthosilicic acid) 이량체화의 메커니즘은 무엇이며, 이는 S_N2-뒤쪽 공격인지, 둘레 공격 경로인가?
• RQ2 작은 분자 클러스터에만 훈련된 기계학습 잠재력이 대체로 액체 물과 결정성 실리카의 물리적 및 화학적 성질을 정확히 재현할 수 있는가?
• RQ3 대규모 시뮬레이션에서의 불확실성은 어떻게 효과적으로 할당하고, 이를 ab initio 데이터 기반 활성 학습을 이끄는 데 활용할 수 있는가?
• RQ4 모델이 물의 자이온화와 실리케이트 올리고머의 산성도를 어느 정도 정확하게 재현할 수 있는가?
• RQ5 이 잠재력은 물질 수준의 예측을 위해 α-쿼츠와 FAU 제올라이트의 탄성 상수와 구조적 성질을 충분히 정확하게 예측할 수 있는가?

주요 결과

• 훈련된 신경망 잠재력은 액체 물의 확산 계수(1.02 × 10⁻⁵ cm²/s)와 유한 체적 보정된 값(1.04 × 10⁻⁵ cm²/s)을 실험값과 밀접하게 재현한다.
• 모델은 물의 진동 밀도 상태(VDOS)를 높은 정밀도로 예측하여, O–H 진동 및 굽힘 진동 모드와 같은 실험적 특징을 잘 일치시킨다.
• 계산된 수소의 평형 밀도(0.998 g/cm³)는 300 K에서 실험값 0.997 g/cm³와 뛰어난 일치를 보인다.
• NNIP 앙상블을 사용하여 계산된 α-쿼츠와 FAU 제올라이트의 탄성 상수는 실험값과 5% 이내로 일치하여 정확한 기계적 반응 예측을 보여준다.
• 모델은 물의 pKa를 14.03(ΔF = 77.8 kJ/mol)로 정확히 예측하여 실험값 14.00과 일치한다.
• 강화된 샘플링 시뮬레이션을 통해 중성 수용액에서 실리케이트 이량체화가 S_N2-뒤쪽 공격가 아니라 둘레 공격 메커니즘을 통해 진행됨을 규명하여 오랫동안 남아있던 메커니즘의 모호성을 해소한다.

Figure 2: Properties of water . a) O-O and b) O-H radial distribution functions at 300 K calculated by NVT simulations with our NNIP and compared to experimental and GM-NN potentials’ results.NNIP: our Neural network inter-atomic potential; EXP: experimental data; revPBE-bulk: GM-NN potential traine