[논문 리뷰] Molecular-orbital-based Machine Learning for Open-shell and Multi-reference Systems with Kernel Addition Gaussian Process Regression

Lixue Cheng, Jiace Sun외 3명|arXiv (Cornell University)|2022. 07. 17.

Machine Learning in Materials Science참고 문헌 64인용 수 4

한 줄 요약

이 논문은 분자 궤도 이론 기반 기계 학습(MOB-ML) 내에서 커널 추가 가우시안 프로세스 회귀(KA-GPR)를 도입하여, 다전자성 특성을 지닌 닫힘껍질 및 열린껍질 시스템의 총 상관 에너지를 예측한다. 단 한 개의 학습 구조만으로도 소규모 라디칼에서 화학 정밀도(1 kcal/mol)를 달성하며, DFT 수준을 초월한 정확한 위치 에너지 표면과 대규모 벤치마크 예측을 가능하게 한다.

ABSTRACT

We introduce a novel machine learning strategy, kernel addition Gaussian process regression (KA-GPR), in molecular-orbital-based machine learning (MOB-ML) to learn the total correlation energies of general electronic structure theories for closed- and open-shell systems by introducing a machine learning strategy. The learning efficiency of MOB-ML (KA-GPR) is the same as the original MOB-ML method for the smallest criegee molecule, which is a closed-shell molecule with multi-reference characters. In addition, the prediction accuracies of different small free radicals could reach the chemical accuracy of 1 kcal/mol by training on one example structure. Accurate potential energy surfaces for the H10 chain (closed-shell) and water OH bond dissociation (open-shell) could also be generated by MOB-ML (KA-GPR). To explore the breadth of chemical systems that KA-GPR can describe, we further apply MOB-ML to accurately predict the large benchmark datasets for closed- (QM9, QM7b-T, GDB-13-T) and open-shell (QMSpin) molecules.

연구 동기 및 목표

• 열린껍질 및 강한 상관성이 있는 다전자성 시스템으로 MOB-ML를 확장하기 위해.
• 쌍별 분해 없이 총 상관 에너지를 직접 학습할 수 있는 기계 학습 프레임워크를 개발하기 위해.
• 열린껍질 라디칼 및 H10 체인, 물 분자의 해리 에너지와 같은 복잡한 시스템에서 화학 정밀도(1 kcal/mol)를 달성하기 위해.
• 닫힘껍질 및 열린껍질 분자 모두에 대해 QM9, QM7b-T, GDB-13-T, QMSpin 등의 대규모 기준 데이터셋을 정확하게 예측할 수 있도록 하기 위해.
• 다양한 화학 시스템, 특히 도전적인 카바인 및 라디칼 종류에 걸쳐 이론의 이식성과 강건성을 입증하기 위해.

제안 방법

• KA-GPR는 MOB-ML 내에서 가우시안 프로세스 회귀의 성능을 향상시키기 위한 커널 추가 전략으로 도입되어, 분자 궤도 특징에서 직접 총 상관 에너지를 학습할 수 있도록 한다.
• MOB-ML 특징는 하트리-폭크 궤도에서 유도되며, 스핀 궤도 쌍을 통해 전자 상관 기여도를 표현한다.
• 메소드는 네스벳 정리를 사용하여 상관 에너지를 점유된 스핀 궤도 쌍에 대한 합으로 표현하며, 이러한 기여도에 대해 기계 학습 모델을 학습시킨다.
• GPR 내 커널 추가는 공분산 함수에 구조적 사전 지식를 통합함으로써 회귀 성능을 향상시킨다.
• 이 방법은 MRCI 기반 상관 에너지에 적용되어 하트리-폭크 계산 비용으로 후 하트리-폭크 에너지를 정확하게 학습할 수 있도록 한다.
• 다중 GPU 구현을 통해 QMSpin 및 GDB-13-T와 같은 대규모 데이터셋에 대한 확장성 확보.

실험 결과

연구 질문

• RQ1 MOB-ML 내 KA-GPR는 소규모 라디칼에 대해 단 한 개의 학습 예시만으로도 화학 정밀도(1 kcal/mol)를 달성할 수 있는가?
• RQ2 MOB-ML(KA-GPR)은 H10 체인 및 물 분자의 해리 에너지와 같은 강한 상관성이 있는 시스템의 위치 에너지 표면을 얼마나 정확하게 예측할 수 있는가?
• RQ3 QM9, QM7b-T, GDB-13-T, QMSpin 등의 다양한 분자 데이터셋에 대해 일반화 성능가 유지되며 높은 정확도를 달성할 수 있는가?
• RQ4 MOB-ML(KA-GPR)은 열린껍질 시스템, 특히 QMSpin 데이터셋에서 스핀 갭 에너지를 얼마나 정확하게 예측할 수 있는가?
• RQ5 QM7b-T로 학습된 모델에서 GDB-13-T 에너지를 예측할 때 KA-GPR 프레임워크가 더 큰 분자 공간으로 이식성과 안정성을 유지하는가?

주요 결과

• MOB-ML(KA-GPR)는 단 한 개의 학습 구조만으로도 아홉 개인 소규모 라디칼에서 화학 정밀도(1 kcal/mol)를 달성하여 높은 데이터 효율성을 입증하였다.
• 메소드는 고수준 기준 데이터와 정확히 일치하는 수준의 정밀도로 물 분자의 OH 결합 해리 곡선을 정확히 예측하였다.
• H10 체인의 경우, MOB-ML(KA-GPR)는 강한 상관성이 있는 시스템에 대해 정확한 위치 에너지 표면을 생성하였다.
• QMSpin 데이터셋에서 총 단태 및 삼태 에너지의 평균 절대 오차(MAE)는 각각 0.623 kcal/mol 및 1.120 kcal/mol이었으며, 스핀 갭 예측은 화학 정밀도에 도달하였다.
• QM7b-T 데이터셋에 비해 더 큰 학습 데이터를 사용한 SpookyNet에 비해 QMSpin 데이터셋에서 MOB-ML(KA-GPR)는 평균 절대 오차 0.872 kcal/mol을 기록하여 슈퍼포트 넷의 1.57 kcal/mol보다 뛰어난 성능을 보였다.
• 높은 정확도에도 불구하고 QM7b-T에서 GDB-13-T로 절대 총 에너지를 이식할 경우 성능 저하가 심하게 발생하여 도메인 이동 문제를 시사하였다.