[논문 리뷰] Machine-learning-accelerated simulations to enable automatic surface reconstruction

Xiaochen Du, James K. Damewood외 5명|arXiv (Cornell University)|2023. 05. 12.

Machine Learning in Materials ScienceMaterials Science참고 문헌 73인용 수 3

한 줄 요약

이 논문은 다양한 성분을 가진 물질에서 자동 표면 재구성 가능성을 제공하는 기계학습 기반 계산 프레임워크를 제시한다. 이는 유연성 있는 데이터 효율적인 기계학습 원자간 잠재력과 반응성 표면 위치를 갖춘 마르코프 체인 몬테카를로 샘플링을 반영한 반대기 탄성 정열계에서의 조합을 통해 달성된다. 이 방법은 GaN(0001), Si(111), 그리고 SrTiO3(001)의 열역학적으로 안정된 표면 상을 고도로 정확하고 확장 가능하게 예측한다. 이는 이전에 보고되지 않은 종류의 표면 종류를 포함한다.

ABSTRACT

Understanding material surfaces and interfaces is vital in applications like catalysis or electronics. By combining energies from electronic structure with statistical mechanics, ab initio simulations can in principle predict the structure of material surfaces as a function of thermodynamic variables. However, accurate energy simulations are prohibitive when coupled to the vast phase space that must be statistically sampled. Here, we present a bi-faceted computational loop to predict surface phase diagrams of multi-component materials that accelerates both the energy scoring and statistical sampling methods. Fast, scalable, and data-efficient machine learning interatomic potentials are trained on high-throughput density-functional theory calculations through closed-loop active learning. Markov-chain Monte Carlo sampling in the semi-grand canonical ensemble is enabled by using virtual surface sites. The predicted surfaces for GaN(0001), Si(111), and SrTiO3(001) are in agreement with past work and suggest that the proposed strategy can model complex material surfaces and discover previously unreported surface terminations.

연구 동기 및 목표

• 다양한 성분을 가진 물질의 거대한 표면 상 공간을 탐색하는 데 있어 백터리즘 계산의 계산적 제약를 극복하기 위해.
• 온도, 화학적 환경, 적용된 전위 등 다양한 열역학 조건 하에서 표면 상도도를 정확하고 효율적으로 예측하기 위해.
• 사람의 지침에 의존하지 않고도 자율적으로 안정된 표면 종단을 탐색할 수 있는 자가 지도형 시뮬레이션 루프를 개발하기 위해.
• 고성능 DFT 데이터를 다양한 기계학습 잠재력과 통합하여 계산 비용을 줄이면서도 정확도를 유지하기 위해.
• 반대기 탄성 정열계에서 가상 표면 위치를 활용해 복잡한 표면 조성과 구조를 통계적 샘플링할 수 있도록 하기 위해.

제안 방법

• 고성능 DFT 계산을 기반으로 한 닫힌 루프 활성 학습을 통해 고속, 확장 가능하고 데이터 효율적인 기계학습 원자간 잠재력 훈련.
• 반대기 탄성 정열계에서 마르코프 체인 몬테카를로(MCMC) 샘플링을 가능하게 하는 가상 표면 위치(VSS) 형식을 구현하여 표면 종류의 동적 교환을 허용.
• 고정된 화학적 환경 조건 하에서 표면 조성과 구조를 샘플링하기 위해 반대기 탄성 정열계를 활용하여 자유 에너지 최소화.
• 표면 안정성을 평가하기 위한 열역학적 주요 양으로서 표면의 광범위한 잠재에너지 Ω_surf를 정의하며, 이는 Ω_surf ≈ E_slab - N_Ti·g_bulk_SrTiO3 - Γ_Ti_Sr·μ'_Sr - Γ_Ti_O·μ'_O 로 근사된다.
• 상도도 구축을 단순화하고 실험 조건과 직접 비교 가능하게 하기 위해 부스러기 제거 화학적 환경 조건(μ'_Sr, μ'_O)을 사용.
• 표면 자유 에너지를 부스러기 스토이히오메트리에 상대적인 표면 종류의 초과량으로 표현함으로써 MCMC 샘플링에 적합한 형태로 변환.

Figure 1: Automatic Surface Reconstruction framework. (a) Beginning with a pristine surface and computer-generated virtual adsorption sites, VSSR-MC sampling is conducted in tandem with active learning of an NFF. The Monte Carlo nature of VSSR-MC is denoted by a pair of dice. Following multiple roun

실험 결과

연구 질문

• RQ1 활성 학습을 통해 훈련된 기계학습 원자간 잠재력이 복잡한 다성분 물질의 표면 상도도를 예측하는 데에 계산 속도를 높일 수 있는가?
• RQ2 가상 표면 위치가 반대기 탄성 정열계에서 표면 조성과 구조 탐색을 위한 효율적이고 정확한 마르코프 체인 몬테카를로 샘플링을 가능하게 하는가?
• RQ3 제안된 루프 기반 시뮬레이션 프레임워크가 인간의 입력이나 사전 구조 가정 없이도 자동으로 안정된 표면 종단을 탐색할 수 있는가?
• RQ4 이 방법이 GaN(0001), Si(111), 및 SrTiO3(001)와 같은 물질에 대해 실험 및 이론적 결과와 일치하는 표면 구조를 어느 정도 정확하게 예측할 수 있는가?
• RQ5 이 프레임워크는 정적 DFT 기반 접근 방식의 한계를 넘어서, 엔트로피 효과를 포함한 다양한 화학적 환경 조건과 온도에서 열역학적 안정성을 어떻게 포괄적으로 포착할 수 있는가?

주요 결과

• 이 방법은 GaN(0001), Si(111), 및 SrTiO3(001)의 표면 상도도를 이전의 실험 및 이론적 연구와 일치하는 방식으로 성공적으로 예측하였다.
• 이 프레임워크는 SrTiO3(001)과 GaN(0001)에서 이전에 보고되지 않은 표면 종단을 탐색하였으며, 이는 비직관적이지만 열역학적으로 안정된 구조를 발견할 수 있음을 보여준다.
• 가상 표면 위치의 사용은 반대기 탄성 정열계에서 효율적인 MCMC 샘플링을 가능하게 하여 표면 조성과 구조의 동적 변화를 허용한다.
• 닫힌 루프 활성 학습을 통해 최소한의 데이터로도 고정밀도 기계학습 잠재력을 달성하여 고비용 DFT 계산의 의존도를 줄였다.
• 통계적 샘플링을 통해 함량 기여와 엔트로피 기여를 모두 통합함으로써 자유 에너지 최소화를 실현하였으며, 정적 DFT 기반 접근 방식의 한계를 극복하였다.
• 예측된 표면 상도도는 부스러기 제거 화학적 환경 조건(μ'_Sr, μ'_O)으로 표현되어, 산소 기체 분압 및 온도와 같은 실험 조건과 직접 비교 가능하게 되었다.

Figure 2: Active learning procedure for neural network force field. (a) An initial ensemble of NFF models is trained using a common dataset of available DFT data. Using the NFF to provide predictions of forces, energies and their SD, either adversarial attack or VSSR-MC with latent space clustering