[논문 리뷰] Machine learned Force-Fields for an ab-initio Quality Description of Metal-Organic Frameworks

Sandro Wieser, Egbert Zojer|arXiv (Cornell University)|2023. 08. 02.

Machine Learning in Materials ScienceMaterials Science인용 수 3

한 줄 요약

이 논문은 금속-유기 프레임워크(MOFs)를 위한 두 가지 매우 정확하고 계산적으로 효율적인 기계학습 힘장—모멘트 텐서 기반 및 커널 기반 잠재력—을 제시한다. 아비니오 기반 기준 데이터를 바탕으로 활성 학습 분자 동역학를 통해 훈련된 이 힘장들은 힘, 구조적 매개변수, 탄성 상수, 격자 진동 분포, 열전도도에서 거의 DFT 수준의 정확도를 달성하며, 기존의 고전적 힘장보다 뛰어난 성능을 보이며 높은 효율성을 유지한다.

ABSTRACT

Metal-organic frameworks (MOFs) are an incredibly diverse group of highly porous hybrid materials, which are interesting for a wide range of possible applications. For a reliable description of many of their properties accurate computationally highly efficient methods, like force-field potentials (FFPs), are required. With the advent of machine learning approaches, it is now possible to generate such potentials with relatively little human effort. Here, we present a recipe to parametrize two fundamentally different types of exceptionally accurate and computationally highly efficient machine learned potentials, which belong to the moment-tensor and kernel-based potential families. They are parametrized relying on reference configurations generated in the course of molecular dynamics based, active learning runs and their performance is benchmarked for a representative selection of commonly studied MOFs. For both potentials, comparison to a random set of validation structures reveals close to DFT precision in predicted forces and structural parameters of all MOFs. Essentially the same applies to elastic constants and phonon band structures. Additionally, for MOF-5 the thermal conductivity is obtained with full quantitative agreement to single-crystal experiments. All this is possible while maintaining a high degree of computational efficiency, with the obtained machine learned potentials being only moderately slower than the extremely simple UFF4MOF or Dreiding force fields. The exceptional accuracy of the presented FFPs combined with their computational efficiency has the potential of lifting the computational modelling of MOFs to the next level.

연구 동기 및 목표

• 금속-유기 프레임워크(MOFs)에 대해 아비니오 수준의 정확도를 달성하면서도 계산 효율성을 유지하는 기계학습 힘장을 개발하는 것.
• 아비니오 분자 동역학를 통해 자동으로 생성된 데이터와 활성 학습을 활용하여, 힘장의 매개변수 설정에 필요한 인간의 노력 최소화.
• 대표적인 MOFs 세트에 대해 두 가지 다른 기계학습 잠재력 유형—모멘트 텐서 및 커널 기반—의 성능을 비교 평가하는 것.
• 힘, 구조적 매개변수, 탄성 상수, 격자 진동 분포, 열전도도를 포함한 다양한 성질에 대해 힘장을 검증하는 것.
• 결과 힘장이 UFF4MOF와 Dreiding와 같은 단순 고전적 힘장보다는 약간만 느리며, 대규모 시뮬레이션을 가능하게 하는 것.

제안 방법

• 기계학습 힘장을 훈련하기 위한 고품질 기준 구조를 생성하기 위해 활성 학습 분자 동역학를 활용한다.
• 힘과 에너지 예측을 위한 기초 모델로 모멘트 텐서 및 커널 기반 기계학습 잠재력을 사용한다.
• 대표적인 MOFs의 아비니오 분자 동역학 시뮬레이션에서 샘플링된 다양한 구조 세트를 기반으로 모델을 훈련한다.
• 힘, 기하학적 구조, 탄성 상수, 격자 진동 분포 관계에 대해 테스트용 무작위 구조 세트를 대상으로 모델을 검증한다.
• MOF-5의 열전도도 예측을 단일 결정 실험 데이터와 비교하여 벤치마킹한다.
• 모델 아키텍처와 추론 속도 최적화를 통해 계산 효율성을 확보하여 고전적 힘장 수준의 성능에 가까운 성능을 달성한다.

실험 결과

연구 질문

• RQ1 기계학습 힘장은 금속-유기 프레임워크에서 힘과 구조적 매개변수를 예측할 때 거의 DFT 수준의 정확도를 달성할 수 있는가?
• RQ2 모멘트 텐서 및 커널 기반 기계학습 잠재력은 탄성 상수와 격자 진동 분포 구조를 포함한 다양한 MOF 성질에 대해 얼마나 정확하게 유지되는가?
• RQ3 이 기계학습 힘장의 계산 비용은 UFF4MOF와 Dreiding와 같은 고전적 힘장과 비교해 어떻게 되는가?
• RQ4 기계학습 힘장은 MOF-5의 실험적 열전도도 값을 정량적으로 재현할 수 있는가?
• RQ5 활성 학습 분자 동역학는 인간 간섭을 최소화하면서도 고정밀도 힘장 매개변수 설정을 위해 충분하고 대표적인 훈련 데이터를 신뢰성 있게 생성할 수 있는가?

주요 결과

• 기계학습 힘장은 테스트된 모든 MOFs에서 예측된 힘과 구조적 매개변수에 대해 거의 DFT 수준의 정밀도를 달성한다.
• 모델이 예측한 탄성 상수와 격자 진동 분포는 아비니오 기준 데이터와 뛰어난 일치를 보인다.
• MOF-5의 열전도도는 정량적으로 재현되어 단일 결정 실험 측정치와 일치한다.
• 이 힘장들은 UFF4MOF와 Dreiding와 같은 고전적 힘장보다는 약간만 느리며, 대규모 시뮬레이션을 효율적으로 수행할 수 있다.
• 활성 학습 워크플로우는 최소한의 인간 입력으로 대표적인 훈련 데이터를 성공적으로 생성하여 높은 모델 정확도와 일반화 능력을 확보한다.
• 모멘트 텐서 및 커널 기반 잠재력 둘 다 다양한 MOF 구조에서 뛰어난 성능을 보이며, 그 신뢰성과 이식 가능성을 확인한다.