[논문 리뷰] Machine learning based prediction of the electronic structure of quasi-one-dimensional materials under strain

Shashank Pathrudkar, Hsuan Ming Yu외 2명|arXiv (Cornell University)|2022. 02. 02.

Machine Learning in Materials Science참고 문헌 125인용 수 9

한 줄 요약

이 논문은 나노튜브와 같은 휘어진 1차원 물질의 전자 구조를 비틀림 조건 하에서 예측하는 기계학습 모델을 제시한다. 이 모델은 나선좌표와 대칭을 고려한 표현 방식을 사용하며, 약 120개의 DFT로 생성된 데이터 포인트만으로도 전자 밀도 및 가짜전하 분포를 정확하게 예측하여, 밴드 갭과 같은 성질의 화학적 정확도를 가진 후처리를 가능하게 한다. 직접적인 원자 위치나 밴드 갭 위치를 예측하는 데에 비해 뛰어난 성능을 보인다.

ABSTRACT

We present a machine learning based model that can predict the electronic structure of quasi-one-dimensional materials while they are subjected to deformation modes such as torsion and extension/compression. The technique described here applies to important classes of materials such as nanotubes, nanoribbons, nanowires, miscellaneous chiral structures and nano-assemblies, for all of which, tuning the interplay of mechanical deformations and electronic fields is an active area of investigation in the literature. Our model incorporates global structural symmetries and atomic relaxation effects, benefits from the use of helical coordinates to specify the electronic fields, and makes use of a specialized data generation process that solves the symmetry-adapted equations of Kohn-Sham Density Functional Theory in these coordinates. Using armchair single wall carbon nanotubes as a prototypical example, we demonstrate the use of the model to predict the fields associated with the ground state electron density and the nuclear pseudocharges, when three parameters - namely, the radius of the nanotube, its axial stretch, and the twist per unit length - are specified as inputs. Other electronic properties of interest, including the ground state electronic free energy, can then be evaluated with low-overhead post-processing, typically to chemical accuracy. We also show how the nuclear coordinates can be reliably determined from the pseudocharge field using a clustering based technique. Remarkably, only about 120 data points are found to be enough to predict the three dimensional electronic fields accurately, which we ascribe to the symmetry in the problem setup, the use of low-discrepancy sequences for sampling, and presence of intrinsic low-dimensional features in the electronic fields. We comment on the interpretability of our machine learning model and discuss its possible future applications.

연구 동기 및 목표

• 기계적 스트레인 하에서 휘어진 1차원 물질의 전자장을 예측하기 위한 데이터 효율적인 기계학습 프레임워크를 개발한다.
• 기존 기계학습 모델의 고차원 데이터 요구 조건을 극복하기 위해, 전자장의 내재된 저차원 특성과 전역 기하 대칭성을 활용한다.
• 예측된 전자장으로부터 밴드 갭 위치 및 자유 에너지와 같은 전자적 성질을 최소한의 후처리로 정확히 예측할 수 있도록 한다.
• 클러스터링 기반의 핵좌표 복원 방법과 직접적인 신경망 회귀 간의 성능을 비교하고 검증하여 원자 위치 예측에서 더 높은 정확도를 입증한다.

제안 방법

• 모델은 나노튜브와 같은 휘어진 1차원 물질의 기하 대칭성을 통합하기 위해 나선좌표를 사용하여 전자장을 매개변수화한다.
• 특수한 데이터 생성 파이프라인을 활용하여 나선좌표에서 대칭에 적합한 코흐ン-샴 밀도함수이론 방정식을 해결한다.
• 세 개의 입력 매개변수인 평균 반지름(Ravg), 축방향 스트레칭(α), 단위 길이당 비틀림 각도(τ)로부터 기초 상태 전자 밀도(N1)와 핵가짜전하(N2)를 예측하는 이중헤드 신경망 아키텍처를 사용한다.
• 저편차 수열(Hammersley 수열)을 사용하여 매개변수 공간을 효율적으로 샘플링함으로써 데이터 요구량을 약 120개로 감소시킨다.
• 원자 위치는 DBSCAN 클러스터링을 통해 예측된 가짜전하 분포에서 복원하며, 원자 전하 분포의 국소성과 구형 대칭성을 활용한다.
• 오버피팅을 방지하기 위해 ReLU 활성화 함수, 학습률 0.001인 Adam 옵timizer, 조기 정지(patience 1000), 탄성 넷 정규화(λ1 = λ2 = 10−5)를 사용한다.

실험 결과

연구 질문

• RQ1 기계학습 모델은 최소한의 데이터로 휘어진 1차원 물질의 전체 3차원 전자장을 정확히 예측할 수 있는가?
• RQ2 전역 기하 대칭성과 나선좌표를 통합함으로써, 국소 원자 환경 기술자에 비해 데이터 효율성과 예측 정확도는 어떻게 향상되는가?
• RQ3 예측된 가짜전하 분포에서 클러스터링을 통해 핵좌표를 신뢰성 있게 복원할 수 있으며, 직접적인 신경망 회귀와 비교해 어떤가?
• RQ4 예측된 전자장의 후처리로 밴드 갭 위치를 화학적 정확도로 도출할 수 있는가? 그리고 직접적인 밴드 갭 인덱스 예측과 비교해 어떤가?
• RQ5 고정밀도 예측을 달성하기 위해 필요한 최소한의 훈련 데이터 포인트 수는 얼마이며, 이러한 저데이터 요구 조건을 가능하게 하는 요소는 무엇인가?

주요 결과

• 모델은 약 120개의 훈련 데이터 포인트만으로도 예측된 전자 밀도와 가짜전하로부터 기초 상태 전자 자유 에너지와 같은 전자적 성질을 화학적 정확도로 예측한다.
• 가짜전하 분포에서 원자 위치를 복원하는 클러스터링 기반 방법은 직접 신경망 회귀보다 더 낮은 오차로 예측된 핵좌표를 제공하여 뛰어난 성능을 보인다.
• 모델은 스트레인 하에서 암암아치형 나노튜브의 밴드 갭 위치(ν 인덱스) 이동을 정확히 포착하며, Ravg, α, τ가 알려지지 않은 다양한 테스트 케이스에서도 DFT 결과와 일치한다.
• 밴드 갭 위치의 순환 대칭 인덱스(ν)를 직접 신경망으로 예측할 경우 오차가 더 크며, 예를 들어 DFT 값 2.00과 비교해 1.82로 오차가 발생하지만, 후처리 방법은 DFT 값과 0.1–0.3 보هر 이내로 정확도를 유지한다.
• 대칭을 고려한 나선좌표와 저편차 샘플링을 사용함으로써 높은 데이터 효율성을 달성하였으며, 최적화된 아키텍처에서 테스트 오차는 전자장 분포 기준 10−5, 밴드 갭 필드 기준 10−4 수준으로 감소한다.