[논문 리뷰] Machine Learning approaches to classical density functional theory

A. Simon, Martin Oettel|arXiv (Cornell University)|2024. 06. 11.

History and advancements in chemistryChemistry인용 수 3

한 줄 요약

이 논문은 시뮬레이션 데이터에서 유도된 기계학습(ML) 기법을 활용해 전통적인 물리 기반 유도 과정을 생략하고 고전적 밀도함수이론(cDFT) 자유에너지 함수를 구성하고 향상시키는 방법을 탐구한다. 기계학습 모델—특히 신경망—이 정확한 해가 존재하는 1차원 시스템에서도 조밀한 정밀도로 밀도에서 초과 자유에너지 또는 외부 포텐셜로의 기능적 맵핑을 정확히 학습할 수 있음을 보여주며, 이러한 방법들이 복잡한 3차원 시스템과 비평형 역학으로의 확장 가능성을 제시한다.

ABSTRACT

In this chapter, we discuss recent advances and new opportunities through methods of machine learning for the field of classical density functional theory, dealing with the equilibrium properties of thermal nano- and micro-particle systems having classical interactions. Machine learning methods offer the great potential to construct and/or improve the free energy functional (the central object of density functional theory) from simulation data and thus they complement traditional physics- or intuition-based approaches to the free energy construction. We also give an outlook to machine learning efforts in related fields, such as liquid state theory, electron density functional theory and power functional theory as a functionally formulated approach to classical nonequilibrium systems.

연구 동기 및 목표

• 복잡한 상호작용을 갖는 현실적인 다체계에서 고전적 밀도함수이론(cDFT)의 정확한 자유에너지 함수를 구성하는 데 도전하는 것.
• 기존의 직관적 또는 물리 기반의 함수 구성 방식의 한계를 시뮬레이션 데이터를 '기본 참'으로 삼아 기계학습에 활용함으로써 극복하는 것.
• 입자 밀도에서 초과 자유에너지 함수나 외부 포텐셜과 같은 핵심 cDFT 양에 이르는 해석 가능하고, 미분 가능한 ML 모델을 개발하는 것.
• 정 steady-state 전류가 흐르는 시스템에 대해 동적 함수를 정의함으로써 기계학습 기반 cDFT를 비평형 시스템으로 확장하는 것.
• 기계학습 강화 cDFT와 전자 DFT 및 파워 기능 이론 등 유사 분야 간의 개념적·방법론적 유사성을 탐색하는 것.

제안 방법

• 입자 밀도와 해당 자유에너지 값의 시뮬레이션 데이터로부터 초과 자유에너지 함수 $\mathcal{F}_{\text{ex}}[\rho]$를 직접 매개변수화하기 위해 지도 기계학습을 사용한다.
• 기능 도함수 $-\beta \delta \mathcal{F}_{\text{ex}} / \delta \rho$를 $c_1[\rho]$ 표현을 통해 학습하기 위해 신경망을 훈련시켜, 미분 가능하고 역행 가능하는 맵핑을 가능하게 한다.
• 반경분포함수에서 유도된 $c_2$ 매칭 기법을 활용해 직접상관함수 $c_2$를 학습함으로써 액체의 구조 데이터로부터 기능을 구성하는 것을 가능하게 한다.
• 지역 밀도 및 속도 프로파일 $\rho(z'), v_z(z')$를 내부력 밀도 $\mathbf{F}_{\text{int}}(z)$로 매핑하는 컨볼루션 신경망을 훈련시켜, 비평형 시스템에서 $\delta R^{\text{int}}_{\text{ex}} / \delta \mathbf{J}$ 를 표현한다.
• 기계학습 기반 오차 정량화 및 전파를 가능하게 하여 신뢰성과 해석 가능성을 향상시키기 위해 베이지안 및 불확실성 인식 기반 ML 프레임워크를 활용한다.
• 정 steady-state 전류가 흐르는 시스템에서 기계학습 모델 훈련을 위한 기본 참 데이터를 생성하기 위해 고성능 브라운 운동 시뮬레이션을 활용한다.

실험 결과

연구 질문

• RQ1 기본 해가 알려진 1차원 시스템에서 기계학습이 정확하게 정확한 자유에너지 함수를 재구성할 수 있는가?
• RQ2 사전 물리적 가정 없이 시뮬레이션 데이터로부터 $\mathcal{F}_{\text{ex}}[\rho]$ 또는 그 도함수의 기능적 의존성을 기계학습 모델이 어느 정도 학습할 수 있는가?
• RQ3 평형 cDFT에서 다양한 외부 포텐셜이나 시스템 파라미터 간에 기계학습 모델의 일반화 능력은 어느 정도인가?
• RQ4 비평형 함수의 기계학습 표현(예: $\delta R^{\text{int}}_{\text{ex}} / \delta \mathbf{J}$)이 외부 구동력과 무관하게 물리적 거동을 재현할 수 있는가?
• RQ5 복잡한 입자 형태, 내부 자유도 또는 이방성 상호작용을 갖는 3차원 시스템으로 기계학습 기반 cDFT를 확장할 가능성은 어떠한가?

주요 결과

• 기계학습 모델은 정확한 해가 존재하는 1차원 하드 로드 시스템에서 정량적 정밀도로 정확한 자유에너지 함수를 재구성하여, 데이터로부터 cDFT 함수를 학습하는 것이 가능함을 검증한다.
• 기계학습된 $c_1[\rho]$ 데이터를 기반으로 훈련된 신경망은 기능 도함수 $-\beta \delta \mathcal{F}_{\text{ex}} / \delta \rho$를 정확히 복원하여, 미분 가능하고 역행 가능한 표현을 가능하게 한다.
• 지역 밀도 및 속도 프로파일을 기반으로 훈련된 컨볼루션 네트워크는 내부력 밀도 $\mathbf{F}_{\text{int}}(z)$를 정확히 예측하며, 다양한 외부 힘에 대해 강건함을 보여준다.
• 기계학습 기반의 $\mathbf{F}_{\text{int}}$ 표현 방식인 $f_{z,\text{int}}^\star[\rho(z'), v_z(z')]$ 는 $\rho$ 및 $\mathbf{J}$ 에 대한 기능적 의존성을 잘 캡처하여, 정 steady-state 비평형 시스템에서의 타당성을 확인한다.
• Malpica 등(2023)에서 제안한 불확실성 인식 기계학습 기법을 통해 예측 오차를 정량화할 수 있어, 향후 보완을 위한 신뢰성 향상에 기여한다.
• 개념적 프레임워크는 전자 DFT 및 파워 기능 이론과 강한 유사성을 보이며, 기계학습 강화 기반 함수 표현 방식이 평형 및 비평형 고전적 다체 문제에 넓게 적용 가능할 것임을 시사한다.