[논문 리뷰] Performance of universal machine learning potentials in global optimization

Edan T. Marcial, L. N. Chaudhary외 2명|arXiv (Cornell University)|2026. 02. 26.

Machine Learning in Materials Science인용 수 0

한 줄 요약

이 연구는 다양한 무기하 시스템에서 제약 없는 전역 구조 탐색(global structure searches) across diverse inorganic systems를 통해 아홉 가지 universal machine learning potentials (uMLPs)를 벤치마킹하여 DFT-근본 상태 구조를 찾아내는 능력을 평가한다.

ABSTRACT

Rapid development of universal machine learning potentials (uMLPs) and expansion of training data sets are reshaping the state of the art in atomistic simulation, highlighting the need for concurrent systematic benchmarking of their capabilities. Global optimization is among the most demanding uMLP applications because unconstrained exploration includes probing motifs not present in reference sets. We examined the latest generation of uMLPs in unconstrained evolutionary searches to assess whether these models can consistently predict complex crystal structure ground states across diverse inorganic systems. Our findings demonstrate that the considered M3GNet, MACE, SevenNet, EquiformerV2, MatterSim, GRACE, eSEN, Orb-v3, and PET-MAD models span a wide performance range, from near ab initio to essentially non-predictive, in their ability to resolve competing phases within low-energy basins. Additional tests on hcp-Zn, MB$_4$ (M = Cr, Mn, and Fe), and LiB$_{y}$ ($y\approx 0.9$) ground states reveal that several uMLPs capture fine energy differences arising from subtle electronic structure features.

연구 동기 및 목표

• 현재 uMLPs가 다양한 화학 水系에서 제약 없는 전역 탐색에서 결정적 구조를 얼마나 잘 찾아내는지 평가한다.
• 훈련 데이터 밖의 저에너지 베이스를 탐색하는 uMLPs의 강건성을 평가한다.
• 여러 기능에서 surrogate 포텐셜 기반 결과를 참조 DFT와 비교한다.
• 구조 예측 작업에서 서로 다른 uMLP 아키텍처의 강점과 실패 모드를 식별한다.

제안 방법

• 미세 조정 없이 out-of-the-box 사전 학습된 uMLPs(M3GNet, MACE, SevenNet, EquiformerV2, MatterSim, GRACE, eSEN, Orb-v3, PET-MAD)를 사용한다.
• MAISE를 이용해 0K 진화적 탐색을 수행하여 후보 구조의 집단을 생성한다.
• 각각의 uMLP로 후보를 Relax시키고 ground-truth 비교를 위해 DFT(PBE/PBEsol/r2SCAN)로 재 최적화한다.
• 다양한 uMLP 간의 미니마 풀을 합쳐 구조 및 에너지 근접성 지표를 계산하고 DFT로 재 Relax한다.
• uMLP와 DFT 풀 간 평균 에너지 시프트를 뺀 ranking RMSE를 이용해 랭킹 재현성을 평가한다.
• uMLPs가 알려진 상(相)을 얼마나 잘 재현하는지 분석하고 잘못된 최소값(spurious minima)을 식별한다.

Figure 1: Stability of the tI10-Na 2 CN 2 , mS28-MgB 3 C 3 , and oI28-MgB 3 C 3 phases identified in this work relative to reported mS10-Na 2 CN 2 and hP14-MgB 3 C 3 evaluated with common DFT functionals.

실험 결과

연구 질문

• RQ1 현재의 uMLPs가 서로 다른 무기 화학에서 제약 없는 전역 탐색에서 경쟁적인 저에너지 결정 구조를 신뢰성 있게 해결할 수 있는가?
• RQ2 다양한 uMLP가 생성한 surrogate PES 지형이 에너지 순서 및 최소값의 구조적 근접성 측면에서 DFT와 어떻게 비교되는가?
• RQ3 Zn c/a 이상현상, MB4 파생물, 비화학적 LiBx 상과 같은 도전적 경우에서 어떤 uMLPs가 지상상태 모티프를 가장 잘 재현하는가?
• RQ4 전역 최적화에서 uMLP의 일반적 실패 모드(예: spurious minima, 잘못된 랭킹, vdW 또는 적층 문제 등)와 이를 완화할 수 있는 방법은 무엇인가?

주요 결과

• uMLPs의 성능 범위가 넓어 ab initio에 거의 근접한 경우에서 저에너지 베이스 내에서 경쟁하는 상을 해결하는 데 거의 예측 불가능한 것까지 다양하다.
• 다수의 uMLP(특히 eSEN 및 일부 중대형 아키텍처)가 지상상태 예측에서 미묘한 전자구조 특징에서 발생하는 미세한 에너지 차이를 포착할 수 있다.
• 일부 화합물( Zn c/a 이상현상, MB4 유도체, LiBx의 비화학적 조성) 은 잘못된 랭킹, 층간 간격 과대평가, 또는 허위의 저에너지 최소값과 같은 특정 약점을 드러낸다.
• surrogate-relaxation 에너지 지형은 완전 Relaxation에서 DFT와의 체계적인 소폭 차이를 보이며, 단일 샷 DFT 에너지를 이용한 하이브리드 워크플로우를 가능하게 한다.
• 아홉 개의 uMLP를 합친 풀에서 DFT 최소값에 대한 근접성과 랭킹 재현성을 일관되게 평가할 수 있으며, 관련 케이스에서 랭킹 RMSE 값은 보통 meV/atom 단위의 소수에서 수십 단위까지의 범위를 보인다.
• uMLPs는 연구 대상 M-Sn 이진계에서 이전의 시스템 특화 Behler–Parrinello NN 포텐셜보다 일반적으로 랭킹 정확도 측면에서 더 우수한 성능을 보인다.

Figure 2: Performance metrics on merged pools assessed relative to the reference DFT method, PBEsol for PT and PBE for the rest, and averaged over 11 compounds, excluding AgClO 4 . The schematics at the top clarify the definitions of the proximity and ranking metrics introduced in the text. The repr