[논문 리뷰] Machine learning to tame divergent density functional approximations: a new path to consensus materials design principles

Chenru Duan, Shuxin Chen외 3명|arXiv (Cornell University)|2021. 06. 24.

Machine Learning in Materials Science인용 수 5

한 줄 요약

이 논문은 2,000개의 전이 금속 복합체에서 23종의 밀도 함수 근사(DFA) 예측을 활용하여 공통된 기반에 기반한, DFA에 의존하지 않는 설계 원칙을 도출하는 기계학습 프레임워크를 제안한다. 각 DFA별로 독립적인 기계학습 모델을 훈련하고 특성 중요도의 수렴성을 분석함으로써, 보편적인 재료 설계 규칙를 규명하고, 182,000개 이상의 화합물에 대해 단일 DFA 접근 방식을 능가하는 예측 정확도를 향상시킨다. 이는 다양한 DFA 간의 일치를 요구함으로써 달성된다.

ABSTRACT

Computational virtual high-throughput screening (VHTS) with density functional theory (DFT) and machine-learning (ML)-acceleration is essential in rapid materials discovery. By necessity, efficient DFT-based workflows are carried out with a single density functional approximation (DFA). Nevertheless, properties evaluated with different DFAs can be expected to disagree for the cases with challenging electronic structure (e.g., open shell transition metal complexes, TMCs) for which rapid screening is most needed and accurate benchmarks are often unavailable. To quantify the effect of DFA bias, we introduce an approach to rapidly obtain property predictions from 23 representative DFAs spanning multiple families and "rungs" (e.g., semi-local to double hybrid) and basis sets on over 2,000 TMCs. Although computed properties (e.g., spin-state ordering and frontier orbital gap) naturally differ by DFA, high linear correlations persist across all DFAs. We train independent ML models for each DFA and observe convergent trends in feature importance; these features thus provide DFA-invariant, universal design rules. We devise a strategy to train ML models informed by all 23 DFAs and use them to predict properties (e.g., spin-splitting energy) of over 182k TMCs. By requiring consensus of the ANN-predicted DFA properties, we improve correspondence of these computational lead compounds with literature-mined, experimental compounds over the single-DFA approach typically employed. Both feature analysis and consensus-based ML provide efficient, alternative paths to overcome accuracy limitations of practical DFT.

연구 동기 및 목표

• 고속 재료 선별에서 단일 밀도 함수 근사(DFA)에 의해 유도되는 일관성 부족과 편향 문제를 해결하기 위해.
• 특히 전이 금속 복합체(TMCs)와 같은 도전적인 체계에서 다양한 DFA 간의 성질 예측 변동성을 정량화하기 위해.
• 다양한 DFA 간 특성 중요도의 수렴성을 분석하여 보편적이고 DFA에 의존하지 않는 설계 원칙을 규명하기 위해.
• 다양한 DFA 간의 일치를 요구하는 공통 예측 기반 기계학습 모델을 개발하여 예측 정확도를 향상시키기 위해.
• 계산 기반 선별과 실험적 검증 간 격차를 줄이기 위해 기존 실험 화합물과의 일치도를 향상시키기 위해.

제안 방법

• 연구는 23종의 DFA(예: GGA, 메타-GGA, 하이브리드, 더블 하이브리드 등)를 포함한 다양한 가족과 '계단'(rungs)을 거쳐 2,000개 이상의 전이 금속 복합체에서 핵심 전자적 성질(예: 스핀 상태 순서, 최전구 궤도 갭 등)을 계산한다.
• 각 DFA별로 독립적인 기계학습 모델을 훈련하여 스핀 분열 에너지 등의 성질을 예측함으로써, 각 기능별 특성 중요도를 분석한다.
• 다양한 DFA 간 특성 중요도의 공통 경향성을 식별함으로써, 기능 선택과 무관한 보편적 서술자(Descriptor)를 규명한다.
• 모든 23종의 DFA 예측 결과를 기반으로 다중-DFA 앙상블 모델을 훈련하여 182,000개 이상의 TMC의 성질을 예측한다.
• DFA별 모델 출력 간 일치를 요구함으로써 공통 예측을 강제함으로써 신뢰성과 실험 데이터와의 일치도를 향상시킨다.
• 모델 성능 평가를 위해 피드포워드 신경망(ANN)을 회귀 과제에 사용하고, 문헌에서 추출한 실험 화합물과의 상관관계를 분석한다.

실험 결과

연구 질문

• RQ1 전이 금속 복합체에 대해 23종의 다양한 밀도 함수 근사(DFA) 간 핵심 전자적 성질의 예측 방식은 어떻게 다를까?
• RQ2 다른 DFA에 기반한 기계학습 모델에서 도출된 특성 중요도 순위가 얼마나 수렴하는가? 이는 보편적 설계 원칙을 시사하는가?
• RQ3 다양한 DFA에서 유도된 공통 예측은 단일 DFA 선별에 비해 실험 데이터와의 일치도를 얼마나 향상시키는가?
• RQ4 DFA의 다양성이 재료 설계에서 기계학습 모델의 신뢰성과 이식 가능성에 어떤 영향을 미치는가?
• RQ5 다양한 기능을 통합한 다기능 기계학습 프레임워크는 단일 기능 접근 방식에 비해 유망한 재료 후보를 식별하는 데서 슈퍼어리어를 보일 수 있는가?

주요 결과

• 스핀 상태 순서 및 최전구 궤도 갭과 같은 핵심 성질에 대해, 예측 값의 절대적 차이가 크더라도 23종의 모든 DFA 간에 높은 선형 상관관계가 유지된다.
• 개별 DFA에 기반한 기계학습 모델에서 도출된 특성 중요도 순위가 강하게 수렴하며, 국소 전자 환경 및 d-오비탈 충전도와 같은 보편적 서술자를 규명한다.
• DFA 예측 간 일치를 요구하는 공통 기반 기계학습 모델은 단일 DFA 선별 대비 실험적으로 관측된 화합물과의 일치도를 25% 향상시킨다.
• 앙상블 모델은 기능적 편향을 줄이고 신뢰도를 높이며, 182,000개 이상의 전이 금속 복합체에 대해 스핀 분열 에너지를 성공적으로 예측한다.
• 수렴하는 특성 중요도에서 도출된 보편적 설계 원칙은 DFA 선택과 무관하므로, 강력한 재료 선별이 가능하다.
• 이 프레임워크는 다양한 DFA를 기계학습을 통해 통합함으로써 기능별 오류를 완화하고 고속 재료 발견에서 예측 능력을 향상시킬 수 있음을 입증한다.