[논문 리뷰] MLIP-3: Active learning on atomic environments with Moment Tensor Potentials

Evgeny V. Podryabinkin, Kamil Garifullin외 2명|arXiv (Cornell University)|2023. 04. 25.

Machine Learning in Materials ScienceMaterials Science인용 수 3

한 줄 요약

MLIP-3는 대규모 시뮬레이션 내 원자 근처 환경에서 모멘트 텐서 포텐셜(MTPs)을 구축하고 능동적으로 훈련하기 위한 향상된 소프트웨어 패키지를 제공한다. 이는 효율적이고 병렬 처리된 국소 원자 환경에 대한 능동 학습을 가능하게 하여 데이터 효율성과 모델 정확도를 크게 향상시키며, 물질 모델링 응용 분야에서 높은 계산 성능 유지를 유지한다.

ABSTRACT

Nowadays, academic research relies not only on sharing with the academic community the scientific results obtained by research groups while studying certain phenomena, but also on sharing computer codes developed within the community. In the field of atomistic modeling these were software packages for classical atomistic modeling, later -- quantum-mechanical modeling, and now with the fast growth of the field of machine-learning potentials, the packages implementing such potentials. In this paper we present the MLIP-3 package for constructing moment tensor potentials and performing their active training. This package builds on the MLIP-2 package (Novikov et al. (2020), The MLIP package: moment tensor potentials with MPI and active learning. Machine Learning: Science and Technology, 2(2), 025002.), however with a number of improvements, including active learning on atomic neighborhoods of a possibly large atomistic simulation.

연구 동기 및 목표

• 더 나은 사용성과 확장성을 갖춘 차세대 소프트웨어 패키지를 개발하여 모멘트 텐서 포텐셜(MTPs)을 훈련하는 것.
• 대규모 원자 구조에서 추출한 국소 원자 환경에 대한 능동 학습을 가능하게 하여 데이터 요구량과 계산 비용을 감소시키는 것.
• 분산 컴퓨팅 환경에서의 병렬 처리 능력을 향상시켜 MTP 훈련 및 시뮬레이션을 가속화하는 것.
• 확산, 융해, 열전도도와 같은 복잡한 물질 성질에 대해 고정밀도, 저비용의 기계학습 포텐셜을 지원하는 것.
• 정확도와 일반화 능력을 유지하면서도 능동 학습을 통한 효율적 모델 개선을 가능하게 하는 사용자 우호적이고 확장 가능한 프레임워크를 제공하는 것.

제안 방법

• 모멘트 텐서 포텐셜(MTPs)을 활용하여 에너지를 국소 원자 근처 환경을 기반으로 하는 텐서 기반 기저 함수의 합으로 표현한다.
• 대규모 시뮬레이션에서 첫 번째 원리 계산을 위해 가장 불확실하거나 정보가 풍부한 원자 근처 환경을 선택하여 능동 학습을 적용한다.
• MTP 기저 함수의 선형 전개를 사용한다: $ V^{\text{MTP}}(\mathfrak{n}_i) = \sum_{\alpha=1}^{N_{\text{lin}}} \xi_\alpha B_\alpha(\mathfrak{n}_i) $, 여기서 매개변수 $ \xi_\alpha $ 는 회귀를 통해 훈련된다.
• MPI를 사용하여 다수의 컴퓨팅 노드에 걸쳐 분산된 훈련 및 평가를 위한 병렬 계산을 구현한다.
• 정확한 기준 데이터 확보를 위해 VASP로 계산한 에너지와 힘에 대한 수렴 테스트를 수행하며, k-메쉬, 에너지 截단, 진공 크기를 고려한다.
• 고립된 클러스터에서 중심 원자의 힘과 전체 주기적 시스템에서의 힘을 비교하여 모델 성능을 검증하고 스케일 간 일관성을 확인한다.

실험 결과

연구 질문

• RQ1 원자 근처 환경에 대한 능동 학습이 모멘트 텐서 포텐셜 훈련의 데이터 효율성과 정확도를 향상시킬 수 있는가?
• RQ2 국소적으로 추출한 클러스터에서 중심 원자의 힘은 전체 주기적 시스템에서의 힘과 어떻게 비교되는가?
• RQ3 MTP 훈련에 사용되는 첫 번째 원리 기준 데이터에 적합한 최적의 수렴 조건(키-메쉬, ENCUT, 진공 크기)은 무엇인가?
• RQ4 MLIP-3 패키지는 대규모 물질 시뮬레이션에서 MLIP-2 대비 확장성과 사용성 측면에서 얼마나 향상되었는가?
• RQ5 국소 환경에서 능동 학습을 통해 훈련된 MTPs가 확산 및 열전도도와 같은 복잡한 물질 성질에 대해 높은 정확도를 유지할 수 있는가?

주요 결과

• 8 Å 반경의 국소적 클러스터(165개 원자)에서 중심 원자의 힘은 전체 336개 원자 주기적 시스템에서의 힘과 매우 유사하며, 차이가 0.05 eV/Å 이하로 낮다.
• 수렴 테스트 결과, 에너지 截단 300 eV, 1×1×1 k-메쉬, 각 방향 9 Å의 진공 크기가 정확한 첫 번째 원리 기준 데이터에 충분함을 확인하였다.
• 주기적 구조에 대한 최적의 k-메쉬는 3×3×1로, 수렴된 에너지 값 -1181.358 eV를 도출하였다.
• 국소 근처 환경의 능동 학습을 통해 훈련된 MTP 모델은 최소한의 기준 데이터로도 높은 정확도를 달성하였으며, 중요한 원자 환경에 집중함으로써 계산 비용을 감소시켰다.
• MLIP-3는 MLIP-2 대비 향상된 병렬 처리 능력과 사용성을 보였으며, MPI와 능동 학습 워크플로우를 통해 대규모 시뮬레이션에서 효율적인 훈련을 가능하게 하였다.
• 이전 연구에서 MTPs를 사용하여 검증된 바와 같이, 패키지는 융해점, 열전도도, 확산 계수와 같은 물질 성질의 고정밀도 모델링을 성공적으로 지원하였다.