[논문 리뷰] Machine Learning methods for interatomic potentials: application to boron carbide

Qin Gao, Sanxi Yao외 2명|arXiv (Cornell University)|2015. 12. 30.

Machine Learning in Materials Science인용 수 4

한 줄 요약

이 연구는 쌍 주파수를 입력으로 사용하여 복잡한 다체 상호작용을 모델링하기 위해 L1-정규화된 회귀, 신경망, 가우시안 프로세스, 서포트 벡터 회귀를 활용한 기계학습 기반의 이원자 잠재 에너지함수를 개발한다. 혼합 커널 가우시안 프로세스 모델이 가장 높은 정확도(0.31 meV/atom 오차)를 달성했으며, 저온 및 고탄소 농도에서의 일계 단열 전이를 규명하여 실험적 상도에서의 모순을 해결한다.

ABSTRACT

Total energies of crystal structures can be calculated to high precision using quantum-based density functional theory (DFT) methods, but the calculations can be time consuming and scale badly with system size. Cluster expansions of total energy as a linear superposition of pair, triplet and higher interactions can efficiently approximate the total energies but are best suited to simple lattice structures. To model the total energy of boron carbide, with a complex crystal structure, we explore the utility of machine learning methods ($L_1$-penalized regression, neural network, Gaussian process and support vector regression) that capture certain non-linear effects associated with many-body interactions despite requiring only pair frequencies as input. Our interaction models are combined with Monte Carlo simulations to evaluate the thermodynamics of chemical ordering.

연구 동기 및 목표

• 붕소 carbide의 실험적 상도에서 관찰되는 비합리적인 온도 독립적 용해도 한계와 일관되지 않은 조성으로 인한 정확성 부족 문제를 해결하기 위해.
• 붕소 carbide의 불규칙한 이코사헤드론 및 체인 구조를 포함한 복잡한 에너지 표면을 모델링하기 위해, 특히 극성 위치에 탄소 치환을 포함한 경우를 위해.
• 伝통적 클러스터 확장 이론을 초월한 비선형 다체 효과를 포착하는 기계학습 기반 이원자 잠재 에너지함수를 개발하기 위해.
• 이러한 모델을 사용하여 몬테카를로 시뮬레이션을 수행하여 단일단위, 라모르피크, 이중극성 상의 존재 여부를 포함한 열역학적 상 행동을 조사하기 위해.
• 비모수적(가우시안 프로세스, SVR) 및 모수적(L1-정규화 다항식, 신경망) 방법을 비교하여 모델 정확도와 신뢰성을 향상시키기 위해.

제안 방법

• 597개의 초세포(120–405 원자)의 DFT 계산 총 에너지가 학습 데이터로 사용되었으며, 기준선(탄소 농도 X_C)에 대한 생성 엔탈피가 목표 값으로 설정되었다.
• 네 가지 기계학습 모델을 학습: L1-정규화 다항식 회귀, 신경망, 가우시안 프로세스 회귀, 서포트 벡터 회귀. 모든 모델은 쌍 주파수를 입력 특징으로 사용.
• 표준 GP 모델에서 잘못된 최저 상태를 수정하기 위해 혼합 커널 가우시안 프로세스 모델을 개발. 다항식 및 분수 제곱 커널을 조합.
• 선형 모델, 41특징 다항식 회귀, 혼합 커널 GP를 사용하여 몬테카를로 시뮬레이션을 수행. 열용량 및 상 전이와 같은 열역학적 성질 평가.
• 에너지 히스토그램에서 열용량을 계산하기 위해 다중히스토그램 방법을 사용. 상 전이의 정점 발산을 통해 확인.
• 상도는 (X_C, T) 평면에 구성되며, 대칭성 붕괴 및 질서 파라미터를 기반으로 라모르피크, 이중극성, 단일단위 상을 식별.

실험 결과

연구 질문

• RQ1 기계학습 모델은 쌍 주파수만을 입력으로 사용하여 복잡한 불규칙성과 다체 상호작용을 가진 붕소 carbide의 총 에너지를 정확하게 예측할 수 있는가?
• RQ2 모수적 또는 비모수적 기계학습 방법 중 어느 것이 붕소 carbide에 대해 가장 정확한 이원자 잠재 에너지함수를 제공하는가? 또한 선형 클러스터 확장과 비교했을 때 어떻게 다른가?
• RQ3 기계학습 모델을 통해 비선형 효과를 포함함으로써, 고탄소 농도 및 저온 조건에서 이전에 발견되지 않은 일계 단열 전이가 붕소 carbide에서 나타나는가?
• RQ4 혼합 커널 가우시안 프로세스 모델은 표준 GP 모델이 붕소 carbide의 정확한 최저 상태를 예측하지 못하는 문제를 극복할 수 있는가?
• RQ5 다양한 이원자 잠재 에너지함수가 라모르피크, 이중극성, 단일단위 상의 안정성 포함 상도 예측에 어떻게 영향을 미치는가?

주요 결과

• 혼합 커널 가우시안 프로세스 모델이 가장 낮은 교차검증 루트 평균 제곱 오차(RMSE) 0.31 meV/atom를 달성했으며, 선형 모델 대비 33% 향상된 성능을 보였다.
• 모든 세 모델(선형, 41특징 다항식 회귀, 혼합 커널 GP)이 몬테카를로 시뮬레이션에서 유사한 거시적 행동를 보였으며, 저온 및 고탄소 화학적 포텐셜 조건에서 일계 단열 전이가 존재함을 시사했다.
• 열용량 피크는 초세포 크기가 증가함에 따라 발산하는 경향을 보였으며, 이는 일계 단열 전이를 확인했고, 빠르게 변화하고 다중 피크를 가진 에너지 히스토그램과 일치했다.
• T → 0 K 조건에서 X_C = 0.133까지 라모르피크 상이 유지되며, X_C = 0.20에서 단일단위 상이 안정화됨으로써 실험적 상도의 모순을 해결했다.
• GP 학습 세트에 높은 예측 불확실성을 가진 구조를 포함시켜도 교차검증 오차는 감소했지만, 잘못된 최저 상태 문제는 해결되지 않아 혼합 커널 GP 모델 개발이 필수적이었다.
• 본 연구는 이전에 제한된 모델에서 제외되었던 이중극성 결함을 포함함으로써 기존에 보고되지 않은 이중극성 상이 붕소 carbide에 존재함을 규명했다.