[논문 리뷰] MACE-OFF: Transferable Short Range Machine Learning Force Fields for Organic Molecules

Dávid Péter Kovács, J. Harry Moore외 9명|arXiv (Cornell University)|2023. 12. 23.

Protein Structure and Dynamics인용 수 65

한 줄 요약

MACE-OFF23는 고수준 양자 데이터로 학습되고 기체, 액체, 결정, 생물분자에 걸쳐 높은 정확도와 효율성으로 검증된 유기분자용 전이 가능한 로컬 머신 러닝 포스 필드입니다.

ABSTRACT

Classical empirical force fields have dominated biomolecular simulation for over 50 years. Although widely used in drug discovery, crystal structure prediction, and biomolecular dynamics, they generally lack the accuracy and transferability required for first-principles predictive modeling. In this paper, we introduce MACE-OFF, a series of short range transferable force fields for organic molecules created using state-of-the-art machine learning technology and first-principles reference data computed with a high level of quantum mechanical theory. MACE-OFF demonstrates the remarkable capabilities of short range models by accurately predicting a wide variety of gas and condensed phase properties of molecular systems. It produces accurate, easy-to-converge dihedral torsion scans of unseen molecules, as well as reliable descriptions of molecular crystals and liquids, including quantum nuclear effects. We further demonstrate the capabilities of MACE-OFF by determining free energy surfaces in explicit solvent, as well as the folding dynamics of peptides.Finally, we simulate a fully solvated small protein, observing accurate secondary structure and vibrational spectrum. These developments enable first-principles simulations of molecular systems for the broader chemistry community at high accuracy and relatively low computational cost.

연구 동기 및 목표

• H, C, N, O, F, P, S, Cl, Br, I를 포함하는 유기분자용 순전이 가능한 로컬 ML 포스 필드를 개발한다.
• SPICE 데이터셋을 사용하여 고수준 양자 데이터(omegaB97M-D3(BJ)/def2-TZVPPD)로 학습하고 더 큰 조각과 물 클러스터로 보강한다.
• 기체, 액체, 결정, 생체고분자에 걸친 분자 내/분자 간 상호작용에 대해 정확한 예측을 보임.
• 이 방향: 이면 사슬(다이헤드럴) 스캔, 격자 상수, 승화 엔탈피, 물 구조, 펩타이드/단백질 관련 특성을 재현하는 모델의 능력을 시연한다.
• 일반 MD 엔진(LAMMPS, OpenMM)에서의 계산 성능과 확장성을 평가한다.

제안 방법

• 두 개의 메시지 패스 계층과 등각 특성을 갖춘 MACE 아키텍처를 사용한다.
• 원자 환경을 국부 컷오프(4.5–5.0 Å)로 표현하고 몸 차수 4까지의 등각 곱 기저를 구성한다.
• 96/128/192 화학 채널과 0/1/2 등각 메시지로 세 가지 모델 크기(S, M, L)를 학습한다.
• SPICE 데이터(10 원소, 중성 종)로 학습하고 더 큰 조각과 물 클러스터로 보강하며, 힘 오차가 2 eV/Å를 초과한 이상치를 제거한다.
• 에너지와 힘을 읽기-출력 함수의 합으로 예측한다(레이어 1: 불변, 레이어 2: MLP); 힘은 분석적 에너지 도함수에서 얻는다.
• 비틈각 스캔(TorsionNet-500 및 방향족 벤치마크), 분자 결정(진동 스펙트럼, 승화 엔탈피), 물 구조/동역학(RDF, 양자 핵 효과를 포함한 진동 스펙트럼), 응집상 액체(밀도, 증기화 엔탈피)에 대해 평가한다.

Figure 1: Test set root mean square errors (RMSE). Errors in the MACE-OFF23 models compared to the underlying DFT reference data, highlighting the relative accuracy of the three models. Bottom panels show specifically inter-molecular force errors compared to overall DFT inter-molecular force magnitu

실험 결과

연구 질문

• RQ1 MACE-OFF23가 광범위한 유기 시스템에 대해 에너지/힘에서 화학적 정확도(chemical accuracy)를 달성할 수 있는가?
• RQ2 훈련 데이터를 넘어 더 큰 조각과 명시적 용매 환경에 대해 로컬 MACE-OFF23 모델이 일반화되는 정도는?
• RQ3 다이헤드럴 장벽과 입체 배열을 DFT 및 고수준 양자 기준과 비교하여 정확하게 재현하는가?
• RQ4 결정상 및 액상 특성(진동 스펙트럼 및 승화 엔탈피)을 설명하고 물에서의 양자 핵 효과를 처리할 수 있는가?
• RQ5 MD 시뮬레이션에서 MACE-OFF23의 계산 성능(속도 및 확장성)은 어떠한가?

주요 결과

• 대형 MACE-OFF23 모델은 에너지/힘 RMSE 약 0.5–1.0 meV/원자, 분자 간 힘 약 15–20 meV/Å에 도달하여, 테스트된 유기물에 대해 화학 정확도 이하이다.
• 분자간 힘 오차는 약 5–15 meV/Å이고 전체 힘 오차의 약 1.5–3배 작고, 분자 내 오차는 약 1–2% 정도이다.
• 이면 고리 차단 높이는 biaryl 벤치마크에서 약 0.3–0.5 kcal/mol 오차, SPICE DFT 수준에서 TorsionNet-500에서 약 0.25 kcal/mol로, DFT 기준 정확도에 근접한다.
• MACE-OFF23(S/M/L)은 WATER RDF를 TIP3P/MB-pol과 비슷하게 재현하고, 양자 핵 효과(PIGS)를 포함하면 주파수별 실험 라만/적외선 특성과 일치한다.
• 대형 모델 MACE-OFF23은 23개의 결정에서 평균 오차 약 1.7 kcal/mol로 승화 엔탈피 예측을 가능하게 하며, 분산 보정 함수와 비슷하다.
• 액체의 경우 밀도 MAE가 약 0.09 g/cm3 (M 모델)로 나타나고, 기화 예측은 합리적이며, 물/에터/디브로모 경우의 경향과 잠재적 오차 상쇄가 관찰되었다고 논의된다.

Figure 2: Dihedral benchmark scans. The top panel shows torsion drive data for the TorsionNet-500 dataset, which has a wide chemical diversity (five example molecules are shown). The bottom panel focuses on the torsion angle between two aromatic rings in the biaryl torsion benchmark [ 66 ] which con