[논문 리뷰] Machine Learning Prediction of Accurate Atomization Energies of Organic Molecules from Low-Fidelity Quantum Chemical Calculations

Logan Ward, Ben Blaiszik외 4명|arXiv (Cornell University)|2019. 06. 07.

Machine Learning in Materials Science참고 문헌 43인용 수 57

한 줄 요약

이 논문은 B3LYP(저정밀도)와 G4MP2(고정밀도) 에너지 간의 차이를 학습하여, 계산 비용을 극도로 줄이고도 거의 양자 수준의 정밀도를 갖는 유기 분자의 G4MP2 수준의 해리 에너지를 예측하는 기계학습 모델을 제시한다. 최고의 모델들은 9개 이하의 무거운 원자를 가진 분자에서 평균 절대 오차(MAE) 0.005 eV, 더 큰 분자에서는 0.012 eV의 정확도를 달성하며, SchNet과 FCHL 기반의 Δ-학습 접근 방식을 사용한다. 이 모델들은 DLHub의 웹 API를 통해 공개적으로 이용 가능하다.

ABSTRACT

Recent studies illustrate how machine learning (ML) can be used to bypass a core challenge of molecular modeling: the tradeoff between accuracy and computational cost. Here, we assess multiple ML approaches for predicting the atomization energy of organic molecules. Our resulting models learn the difference between low-fidelity, B3LYP, and high-accuracy, G4MP2, atomization energies, and predict the G4MP2 atomization energy to 0.005 eV (mean absolute error) for molecules with less than 9 heavy atoms and 0.012 eV for a small set of molecules with between 10 and 14 heavy atoms. Our two best models, which have different accuracy/speed tradeoffs, enable the efficient prediction of G4MP2-level energies for large molecules and are available through a simple web interface.

연구 동기 및 목표

• 유기 분자에 대한 양자화학 계산에서 정확도-비용 갈등을 해결하기 위해.
• 저비용 B3LYP 데이터를 입력으로 사용하여 고정밀도 G4MP2 해리 에너지를 예측하는 기계학습 모델을 개발하기 위해.
• 깊이 학습(SchNet)과 전통적 기계학습(FCHL) 접근 방식이 고정밀도 분자 에너지를 예측하는 데서 성능을 평가하고 비교하기 위해.
• 학습 세트에 포함된 분자보다 큰 분자, 특히 10~14개의 무거운 원자를 가진 분자에 대해서도 정확하고 빠른 예측을 가능하게 하기 위해.
• 최신 기술 수준의 고정밀도 모델을 널리 사용할 수 있도록 웹 인터페이스를 통해 무료로 공개하기 위해.

제안 방법

• B3LYP 및 G4MP2 에너지를 사용하여 1~9개의 무거운 원자를 가진 총 117,232개의 분자로 구성된 QM9-G4MP2 데이터셋을 기반으로 모델을 훈련시켰다.
• 직접 예측보다 정확도를 향상시키기 위해 B3LYP와 G4MP2 해리 에너지 간의 차이를 예측하는 Δ-학습 전략을 사용했다.
• 원자 좌표와 원소 종류로부터 분자 표현을 학습하는 딥 컨volution 신경망인 SchNet을 사용했다.
• 다체적 원자 환경 기술자에 기반한 커널 리지 회귀 방법인 FCHL을 사용하여 전통적 기계학습 기반의 예측을 수행했다.
• 정확한 B3LYP 최적 기하구조에 의존하는 것을 줄이기 위해, 변형된 분자 구형을 사용해 모델을 재학습시켰다.
• 성능이 가장 뛰어난 모델들을 DLHub에 게시하여 클라우드 기반 추론을 위한 단순한 파이썬 API를 제공함으로써, 로컬 설치 요구 사항을 제거했다.

실험 결과

연구 질문

• RQ1 저정밀도 B3LYP 데이터로 훈련된 기계학습 모델이 고정밀도 G4MP2 해리 에너지를 정확하게 예측할 수 있는가?
• RQ2 저정밀도와 고정밀도 에너지 간의 차이를 학습하는 Δ-학습 방식이 직접 학습이나 전이 학습에 비해 정확도와 강건성 면에서 어떻게 비교되는가?
• RQ3 학습 세트에 포함된 분자보다 큰 분자, 특히 10~14개의 무거운 원자를 가진 분자에 대해 모델의 일반화 능력은 어느 정도인가?
• RQ4 예측 성능이 B3LYP 최적 기하구조와 힘장 모델로 생성된 좌표 간의 기하구조 품질에 얼마나 민감한가?
• RQ5 웹 기반 인터페이스를 통해 고정밀도 기계학습 모델을 전문 지식 없이 널리 접근 가능하게 만들 수 있는가?

주요 결과

• FCHL 기반 Δ-학습 모델은 무거운 원자가 9개 이하인 분자에서 평균 절대 오차(MAE) 0.005 eV를 달성하여 B3LYP보다 정확도를 10배 향상시켰다.
• SchNet 기반 Δ-학습 모델은 무거운 원자가 10~14개인 분자에서 MAE 0.012 eV를 기록하여 강력한 외삽 능력을 입증했다.
• 변형된 구형으로 훈련된 모델은 정확한 B3LYP 최적 기하구조에 대한 의존도를 감소시켰지만, 더 큰 분자에서는 성능이 저하되었다.
• FCHL 기반 모델은 SchNet 모델보다 최소 100배 이상 더 많은 계산 시간이 소요되었음에도 불구하고 정확도는 3배 높았다.
• 두 모델 모두 B3LYP보다 훨씬 뛰어난 성능을 보였으며, 테스트 세트의 모든 분자 크기에서 오차를 최대 10배까지 감소시켰다.
• 최고의 모델들은 DLHub의 웹 API를 통해 공개되어 있어, 로컬 기계학습 인프라 없이도 연구 워크플로우에 쉽게 통합할 수 있다.