[논문 리뷰] Physics Guided Deep Learning for Generative Design of Crystal Materials with Symmetry Constraints

Yong Zhao, Edirisuriya M. Dilanga Siriwardane외 5명|arXiv (Cornell University)|2022. 03. 27.

Machine Learning in Materials Science인용 수 5

한 줄 요약

이 논문은 GAN 기반 프레임워크를 사용하여 고도의 구조적 타당성과 대칭성 제약 조건을 만족하는 새로운 결정 물질을 설계하기 위해 물리학에 기반한 딥 생성 모델, PGCGM를 제안한다. 결정학적 대칭성과 DFT 기반 물리적 제약 조건을 통합함으로써 PGCGM는 FTCP 대비 700퍼센트 이상 높은 생성 타당성을 달성했으며, 안정한 물질 1,869종을 생성했으며, 이 중 39.6퍼센트는 에너지-위-힐 < 0.25 eV/atom인 열역학적 안정성을 보였다.

ABSTRACT

Discovering new materials is a challenging task in materials science crucial to the progress of human society. Conventional approaches based on experiments and simulations are labor-intensive or costly with success heavily depending on experts' heuristic knowledge. Here, we propose a deep learning based Physics Guided Crystal Generative Model (PGCGM) for efficient crystal material design with high structural diversity and symmetry. Our model increases the generation validity by more than 700\% compared to FTCP, one of the latest structure generators and by more than 45\% compared to our previous CubicGAN model. Density Functional Theory (DFT) calculations are used to validate the generated structures with 1,869 materials out of 2,000 are successfully optimized and deposited into the Carolina Materials Database \url{www.carolinamatdb.org}, of which 39.6\% have negative formation energy and 5.3\% have energy-above-hull less than 0.25 eV/atom, indicating their thermodynamic stability and potential synthesizability.

연구 동기 및 목표

• 기존의 시행착오 방식과 고속 가상 걸러내기(HTVS)의 한계를 극복하기 위해 데이터 효율적이며 생성 기반의 새로운 결정 구조 설계를 가능하게 하기 위해.
• 결정학적 대칭성과 DFT 기반 물리적 제약 조건을 심층 생성 모델에 통합하여 구조적으로 타당하고 물리적으로 안정된 결정을 생성하는 데 도전하기 위해.
• FTCP 및 CubicGAN과 같은 기존 모델을 초월해 복잡한 비입방형 물질에 대해서도 생성 타당성과 구조적 다양성을 향상시키기 위해.
• DFT 계산을 통해 생성된 물질을 검증하고 안정한 후보를 Carolina Materials Database에 기탁하여 개방형 액세스와 향후 활용을 위해 제공하기 위해.
• 원자 상호작용, 대칭성, 열역학적 안정성을 존중하는 확장 가능하고 미분 가능한 역설계 프레임워크를 제공하기 위해.

제안 방법

• PGCGM 프레임워크는 결정 대칭성과 조성 조건에 따라 잠재 공간을 조절하는 조건부 생성 적대 신경망(cGAN)을 활용하여 결정 구조를 생성한다.
• 결정 구조는 공간군 정보로부터 유도된 기본 원자 위치와 애핀 변환 행렬을 사용하여 표현되며, 다양한 대칭성 간 일관된 표현을 가능하게 한다.
• 모델은 알고리즘 1에 기반한 미분 가능하고 대칭성을 고려한 좌표 생성 절차를 사용하여 기본 위치를 단위세포 내 고유한 원자 위치로 매핑함으로써 결정학적 제약 조건을 유지한다.
• 최소 원자 간격 (>0.5 Å), 전하 중성, DFT 기반 에너지 검증과 같은 물리적 제약 조건은 후처리 단계에서 강제되어 구조적 타당성을 확보한다.
• 생성자의 훈련은 적대적 손실, 재구성 손실, 물리적 제약 조건 페널티를 조합한 손실 함수를 사용하여 샘플 품질과 안정성을 향상시킨다.
• DFT 계산(through pymatgen 및 VASP)을 통해 생성된 구조를 검증하며, 열역학적 안정성 평가를 위한 생성 에너지 및 에너지-위-힐 분석을 포함한다.

실험 결과

연구 질문

• RQ1 FTCP 및 CubicGAN과 같은 최신 기술 대비 물리학에 기반한 심층 생성 모델이 생성된 결정 구조의 타당성과 다양성에 있어 뚜렷한 향상을 이룰 수 있는가?
• RQ2 어느 정도로 대칭성 제약 조건과 물리 법칙이 심층 생성 모델에 통합되어 구조적 및 열역학적 타당성을 보장할 수 있는가?
• RQ3 잠재 공간 샘플링만으로 알려진 구조 프로토타입을 초월해 새로운 안정적인 결정 물질을 얼마나 잘 생성할 수 있는가?
• RQ4 DFT 기반 검증 통합이 생성된 구조의 구조적 안정화 성공률과 열역학적 안정성에 어떤 영향을 미치는가?
• RQ5 물리적 일관성과 대칭성 제약 조건을 유지하면서도 높은 구조적 다양성을 갖는 물질을 생성할 수 있는가?

주요 결과

• PGCGM는 FTCP 대비 700퍼센트 이상 높은 생성 타당성을 달성했으며, 이전의 CubicGAN 모델 대비 45퍼센트 이상 높은 타당성을 보이며 구조적 정확성 향상이 뚜렷하다.
• 2,000종의 생성된 물질 중 1,869종이 DFT를 통해 성공적으로 안정화되었으며, Carolina Materials Database에 기탁되어 실용적 타당성이 높음을 시사한다.
• 생성된 물질의 39.6퍼센트는 음성 생성 에너지를 보이며 열역학적 안정성을 나타내며, 5.3퍼센트는 에너지-위-힐 < 0.25 eV/atom를 기록하여 잠재적 합성 가능성 존재를 시사한다.
• 모델은 입방 대칭에 국한되지 않고 다양한 공간군과 결정계에서 물질을 성공적으로 생성하여 광범위한 적용 가능성을 입증했다.
• 생성된 물질과 실제 물질의 물성 분포 간의 와서린스 거리(최소/최대 원자 간격, 밀도)가 크게 감소하여 물성 일치도 향상됨을 나타낸다.
• 미분 가능 대칭 처리와 DFT 검증의 통합은 인간 간섭 최소화로도 확장 가능하고 물리적으로 일관되며 다양한 결정 구조 생성을 가능하게 한다.