[논문 리뷰] React-OT: Optimal Transport for Generating Transition State in Chemical Reactions

Chenru Duan, Guan-Horng Liu외 7명|arXiv (Cornell University)|2024. 04. 20.

Radioactive element chemistry and processing인용 수 4

한 줄 요약

React-OT는 화학 반응의 전이 상태(가장 높은 에너지 상태) 구조를 1개 반응당 0.4초 내에 매우 정확하게 생성하는 결정론적 최적 운반 프레임워크입니다. 이 프레임워크는 평균 루트 평균 제곱 오차(RMSD)가 0.053 Å이고, 장벽 높이 오차가 1.06 kcal/mol에 불과합니다. GFN2-xTB 데이터로 사전학습을 수행하면 정확도가 25% 향상되어 RMSD는 0.044 Å로 감소하고 오차는 0.74 kcal/mol로 낮아지며, 확률적 샘플링이나 순위 모델이 필요 없이 빠르고 신뢰할 수 있으며 확장 가능한 전이 상태 예측이 가능합니다.

ABSTRACT

Transition states (TSs) are transient structures that are key in understanding reaction mechanisms and designing catalysts but challenging to be captured in experiments. Alternatively, many optimization algorithms have been developed to search for TSs computationally. Yet the cost of these algorithms driven by quantum chemistry methods (usually density functional theory) is still high, posing challenges for their applications in building large reaction networks for reaction exploration. Here we developed React-OT, an optimal transport approach for generating unique TS structures from reactants and products. React-OT generates highly accurate TS structures with a median structural root mean square deviation (RMSD) of 0.053Å and median barrier height error of 1.06 kcal/mol requiring only 0.4 second per reaction. The RMSD and barrier height error is further improved by roughly 25\% through pretraining React-OT on a large reaction dataset obtained with a lower level of theory, GFN2-xTB. We envision that the remarkable accuracy and rapid inference of React-OT will be highly useful when integrated with the current high-throughput TS search workflow. This integration will facilitate the exploration of chemical reactions with unknown mechanisms.

연구 동기 및 목표

• DFT 기반 전이 상태 최적화의 높은 계산 비용 문제를 해결하기 위해 빠르고 결정론적인 방법을 개발하여 화학 반응에서 정확한 전이 상태(가장 높은 에너지 상태) 구조를 생성하는 것.
• 기존의 생성 모델(예: OA-ReactDiff)이 요구하는 확률적 샘플링과 후처리 순위 모델이 필요 없도록 하여 고속도 스트림 워크플로우에서의 확장성을 해치는 문제를 해결하는 것.
• 최적 운반 이론을 활용하고 대규모 저비용 양자화학 데이터를 사전학습에 활용하여 전이 상태 예측의 구조적 및 에너지 정확도를 향상시키는 것.
• 반응 네트워크의 대규모 구축을 효율적으로 가능하게 하기 위해 반응당 추론 시간과 계산 오버헤드를 크게 줄이는 것.
• 고속도 반응 메커니즘 탐색 워크플로우에 원활하게 통합될 수 있는 확장 가능하고 신뢰성 있으며 대칭성 인식 기능을 갖춘 프레임워크를 제공하는 것.

제안 방법

• React-OT는 반응물과 생성물의 기하 분포 사이의 운반 비용을 최소화하여 유일하고 결정론적인 전이 상태를 생성하기 위해 최적 운반 이론을 적용합니다.
• 3차원 공간 대칭성을 유지하고 생성된 전이 상태의 기하 일관성을 보장하기 위해, SE(3)-등변성 그래프 신경망(LEFTNet)을 점수 계산 네트워크로 사용합니다.
• 확산 모델의 노이즈 제거 과정에서 반응물과 생성물을 조건 입력으로 사용하여 전이 상태 생성을 조건부 인painting 문제로 설정합니다.
• 추가 학습 없이도 생성된 전이 상태의 신뢰도 점수를 예측하기 위해 OA-ReactDiff에서 미세조정된 신뢰도 모델을 통합합니다.
• 기존의 OA-ReactDiff 체크포인트를 기반으로 최적 운반 목적함수를 도입하여 미세조정 방식으로 학습하며, 초기 학습률을 0.0001로 낮춥니다.
• 저비용 반도체 DFT인 GFN2-xTB로 계산된 760,615개의 반응으로 구성된 대규모 데이터셋으로 사전학습을 수행함으로써 일반화 능력과 정확도, 특히 장벽 높이 예측 정확도가 향상됩니다.

실험 결과

연구 질문

• RQ1 반응물과 생성물을 기반으로 최적 운반 이론을 활용해 높은 구조적 및 에너지 정확도를 갖는 단일 결정론적 전이 상태를 생성할 수 있는가?
• RQ2 확률적 확산 모델(예: OA-ReactDiff)과 비교할 때, 결정론적 최적 운반 기반 방법의 추론 속도와 정확도는 어떠한가?
• RQ3 저비용 양자화학 데이터(GFN2-xTB)로 사전학습을 수행하면 확산 기반 생성 모델의 전이 상태 예측 정확도가 얼마나 향상되는가?
• RQ4 최적 운반 이론과 등변성 딥 러닝을 통합하면 후처리 순위 모델이 필요 없어지는가?
• RQ5 기존 DFT 또는 확산 모델 기반 고속도 전이 상태 검색 워크플로우에 비해 React-OT는 얼마나 높은 계산 효율성을 제공하는가?

주요 결과

• React-OT는 기준 DFT 기준 전이 상태 구조와의 평균 루트 평균 제곱 오차(RMSD)가 0.053 Å로 매우 높은 구조 정확도를 보입니다.
• 장벽 높이 오차의 중앙값은 1.06 kcal/mol로 에너지 예측 능력이 뛰어나다는 것을 나타냅니다.
• 추론 시간은 1개 반응당 뿐만 아니라 0.4초로 매우 짧아 고속도 반응 네트워크 생성에 빠르게 적용 가능합니다.
• GFN2-xTB 데이터로 사전학습을 수행한 후 RMSD 중앙값은 0.044 Å로 향상되고 장벽 높이 오차는 0.74 kcal/mol로 감소하여 정확도가 25% 향상되었습니다.
• OA-ReactDiff에서의 노이즈 제거 함수 평가 횟수 40,000회에서 React-OT는 단 50회로 감소시켜 추론 속도가 약 1,000배 향상되었습니다.
• 확률적 샘플링과 추가 순위 모델이 필요 없어지며, 결정론적이고 확장 가능하며 신뢰할 수 있는 전이 상태 예측이 가능해졌습니다.