[논문 리뷰] Regularised Atomic Body-Ordered Permutation-Invariant Polynomials for the Construction of Interatomic Potentials

Cas van der Oord, Geneviève Dusson외 2명|arXiv (Cornell University)|2019. 10. 14.

Machine Learning in Materials Science참고 문헌 3인용 수 27

한 줄 요약

이 논문은 원자적 Body-Ordered Permutation-Invariant Polynomials (aPIPs)를 소개하며, 낮은 Body-순서 다항식 전개를 사용하여 상호작용 위치 에너지를 체계적이고 대칭성을 유지하는 프레임워크로 구성한다. 에너지를 원자 기여도로 명시적으로 분해하고 특화된 정규화를 결합함으로써, aPIPs는 상태 기반 모델(예: SOAP-GAP)과 유사한 이식성 성능를 달성하면서도 훨씬 더 빠르고 해석 가능성이 높으며, 특히 Burgers의 경로 테스트와 같은 외삽 시나리오에서 유리하다.

ABSTRACT

We investigate the use of invariant polynomials in the construction of data-driven interatomic potentials for material systems. The "atomic body-ordered permutation-invariant polynomials" (aPIPs) comprise a systematic basis and are constructed to preserve the symmetry of the potential energy function with respect to rotations and permutations. In contrast to kernel based and artificial neural network models, the explicit decomposition of the total energy as a sum of atomic body-ordered terms allows to keep the dimensionality of the fit reasonably low, up to just 10 for the 5-body terms. The explainability of the potential is aided by this decomposition, as the low body-order components can be studied and interpreted independently. Moreover, although polynomial basis functions are thought to extrapolate poorly, we show that the low dimensionality combined with careful regularisation actually leads to better transferability than the high dimensional, kernel based Gaussian Approximation Potential.

연구 동기 및 목표

• 순열 및 회전 불변성을 유지하면서 상호작용 위치 에너지를 위한 체계적이고 대칭성을 유지하는 기저를 개발하기 위해.
• SOAP-GAP와 같은 고차원 모델의 열악한 외삽 성능 문제를 낮은 차원의 Body-순서 다항식 항을 활용하여 해결하기 위해.
• 낮은 Body-순서 항에 대한 명시적 정규화를 통해 데이터 기반 상호작용 위치 에너지 모델의 이식성과 일반화 능력을 향상시키기 위해.
• 고차원 커널 또는 신경망 모델에 비해 더 해석 가능하고 계산 효율성이 높은 대안을 제공하기 위해.

제안 방법

• 순열 및 회전 불변성을 유지하는 체계적 다항식 전개를 통해 총 에너지를 원자 기여도로 분해(1-body, 2-body, ..., 5-body)한다.
• 각 Body-순서 항에 대해 순열 불변 다항식(PIPs)을 적용하여 원자 순열 및 회전에 대해 불변성을 확보한다.
• 각 항에 대해 컷오프 함수를 적용하여 국소성과 물리적 일관성을 확보한다.
• 다항식 계수에 정규화를 적용하여 매끄러운 행동을 강제하고, 특히 데이터가 적은 영역에서 물리적으로 비합리적인 행동을 방지한다.
• 고체 상태 구조(고립된 클러스터가 아님)에서 모델을 훈련시어 더 나은 물리적 일관성과 이식성을 확보한다.
• 프레임워크는 줄리아로 구현되었으며, 개방형 데이터셋과 코드를 사용하여 텅스텐, 실리콘, 툼티늄 시스템에 적용되었다.

실험 결과

연구 질문

• RQ1 순열 불변성을 갖는 체계적 낮은 Body-순서 다항식 전개가 최신 기술 기반 커널 기반 상호작용 위치 에너지 모델과 비교해 높은 정확도를 달성할 수 있는가?
• RQ2 낮은 차원의 다항식 계수에 대한 정규화가 데이터가 적은 영역에서 일반화 능력과 외삽 성능을 어떻게 향상시키는가?
• RQ3 원자 기여도로 분해된 Body-순서 항을 통해 정확도나 효율성을 희생시키지 않고도 더 해석 가능한 모델을 만들 수 있는가?
• RQ4 Burgers의 경로 테스트(특히 툼티늄에서)에서 aPIP 프레임워크가 SOAP-GAP를 능가하는 이식성 성능를 보일 수 있는가?
• RQ5 낮은 차원의 다항식 피팅이 고차원 커널 방법에 비해 훈련 데이터를 초월해 얼마나 잘 일반화되는가?

주요 결과

• aPIP 모델은 텅스텐과 실리콘 데이터셋에서 SOAP-GAP와 유사한 정확도를 달성하며, 특히 4-또는 5-body 항의 경우 평가 속도가 최소 한 계단 이상 더 빠르다.
• 툼티늄에서의 Burgers의 경로 테스트에서, aPIP 모델은 특히 훈련 데이터에서 멀리 떨어진 영역에서 SOAP-GAP보다 더 정확한 에너지를 예측한다. 이는 더 뛰어난 외삽 성능을 의미한다.
• 툼티늄의 훈련 데이터는 낮은 온도(100 K)에서 샘플링되어 3-body 공간의 커버리지가 희박했다. Burgers의 경로는 훈련 데이터가 거의 없거나 전혀 없는 영역을 가로질러가므로, 일반화 능력에 대한 엄격한 시험으로서 적합하다.
• SOAP-GAP가 Burgers의 경로에서 성능이 열악한 것은 그 영역에 데이터가 부족하기 때문이며, 이는 고차원 피팅이 외삽에서의 한계를 드러낸다.
• aPIPs에서 낮은 Body-순서 항에 대한 정규화는 훈련 집합에서 멀리 떨어진 영역에서도 매끄럽고 물리적으로 타당한 행동을 가능하게 하여, 신뢰할 수 있는 외삽에 매우 중요하다.
• 이 프레임워크는 낮은 차원의 정규화된 다항식 모델이 고차원 커널 모델을 능가할 수 있음을 보여주며, 특히 비틀린 일반화 과제에서 이식성 면에서 뛰어나다.