[논문 리뷰] Rapid Discovery of Stable Materials by Coordinate-free Coarse Graining

Rhys E. A. Goodall, Abhijith S. Parackal외 3명|arXiv (Cornell University)|2021. 06. 21.

Machine Learning in Materials Science인용 수 2

한 줄 요약

이 논문은 좌표에 의존하지 않는 코arse-graining 방법을 사용하여 안정적인 무기물질을 효율적이고 고정밀도로 발견할 수 있도록 하는 웨이크오프 표현을 도입한다. 원자 좌표를 대체하여 대칭 기반의 구조적 서술자로 전환함으로써, 결정 구조의 비가역적 탐색 공간을 조합적으로 세는 방식으로 줄이며, 최신 기술 대비 3배 높은 정밀도를 달성하고, 오직 5,675회의 ab initio 계산만으로 1,569개의 새로운 안정된 물질을 규명한다.

ABSTRACT

A fundamental challenge in materials science pertains to elucidating the relationship between stoichiometry, stability, structure, and property. Recent advances have shown that machine learning can be used to learn such relationships, allowing the stability and functional properties of materials to be accurately predicted. However, most of these approaches use atomic coordinates as input and are thus bottlenecked by crystal structure identification when investigating previously unidentified materials. Our approach solves this bottleneck by coarse-graining the infinite search space of atomic coordinates into a combinatorially enumerable search space. The key idea is to use Wyckoff representations, coordinate-free sets of symmetry-related positions in a crystal, as the input to a machine learning model. Our model demonstrates exceptionally high precision in finding unknown theoretically stable materials, identifying 1569 materials that lie below the known convex hull of previously calculated materials from just 5675 ab initio calculations. Our approach opens up fundamental advances in computational materials discovery.

연구 동기 및 목표

• 원자 좌표를 좌표에 의존하지 않는 표현으로 대체함으로써 물질 발견에서 결정 구조 식별의 성능 저하 문제를 해결하기 위해.
• 이완된 결정 구조에 대한 사전 지식이 없이도 물질의 안정성을 예측할 수 있는 기계학습 프레임워크를 개발하기 위해.
• 원자 좌표의 무한한 탐색 공간을 유한하고 세는 데 가능한 공간으로 변환함으로써 효율적이고 고정밀도의 물질 공간 스크리닝을 가능하게 하기 위해.
• 대칭 기반의 코arse-graining을 활용하여 열역학적으로 안정된 물질의 발견을 가속화하기 위해.

제안 방법

• 기계학습 모델의 주요 입력으로 좌표에 의존하지 않는 대칭 관련 원자 위치 집합인 웨이크오프 표현을 사용한다.
• 웨이크오프 표현을 기반으로 그래프 신경망(Wren)을 훈련시어 물질의 형성 에너지를 예측한다.
• 예측된 안정된 웨이크오프 표현에서 후보 구조를 생성하고 DFT 이완을 통해 검증하는 물질 발견 파이프라인을 구현한다.
• 물리적으로 의미 있고 안정된 구성이 되도록, 구조 생성 과정에서 대칭 제약 조건을 통합한다.
• 도메인 색이(pre-relaxation과 이완된 구조 사이의 차이) 최소화하기 위해 베이지안 최적화와 서rogate 모델링을 활용한다.
• 예측된 안정된 물질의 유효성을 검증하기 위해 안정성의 볼록 껍질을 기준으로 사용한다.

실험 결과

연구 질문

• RQ1 좌표에 의존하지 않는 결정 구조 표현 방식이 좌표 기반 방법보다 더 효율적이고 정확한 안정성 예측을 가능하게 할 수 있는가?
• RQ2 웨이크오프 표현이 기계학습 모델에서 물질 발견의 원자 좌표를 얼마나 잘 대체할 수 있는가?
• RQ3 기존의 구조 기반 및 조성 기반 모델과 비교해 본다면, 제안된 방법은 안정된 물질을 식별할 때 정밀도와 재현율 측면에서 어떻게 다른가?
• RQ4 높은 발견 정밀도를 유지하면서도 요구되는 DFT 계산 횟수를 크게 줄일 수 있는가?
• RQ5 소규모의 알려진 안정된 화합물에서 출발하여 새로운 물질 공간을 체계적으로 탐색할 수 있는가?

주요 결과

• 제안된 방법인 Wren은 알려진 볼록 껍질 이하의 안정된 물질을 식별하는 데 76%의 정밀도를 달성하며, 최신 기술 대비 정밀도에서 3배 높은 성능을 보였다.
• 오직 5,675회의 ab initio 계산만으로 기존에 알려지지 않은 1,569개의 안정된 물질을 식별하였다.
• WBM 데이터셋에서 Wren은 76%의 재현율을 기록하여 바르노이 모델(55%)과 CGCNN 모델(61%)에 비해 뚜렷한 재현율 우월성을 보였다.
• 복잡한 상도표에서 저에너지 구조를 탐색할 경우, 전통적 접근 대비 계산 비용을 5배 이상 감소시켰다.
• 웨이크오프 표현의 사용으로 원자 좌표 구성의 수를 100% 감소시켜, 무한한 탐색 공간을 유한하고 세는 데 가능한 공간으로 전환하였다.
• 대칭을 고려한 표현 방식과 서rogate 모델링 덕분에, 이완 전 예측과 최종 DFT 최적화 구조 사이에 최소한의 도메인 색이 발생하여 모델의 강인성이 입증되었다.