[논문 리뷰] Systematic Atomic Structure Datasets for Machine Learning Potentials: Application to Defects in Magnesium

Marvin Poul, Liam Huber외 2명|arXiv (Cornell University)|2022. 07. 08.

Machine Learning in Materials Science인용 수 5

한 줄 요약

이 논문은 기계학습 원자간 위치 에너지함수(MZIPs)를 위한 편향 없는 훈련 데이터셋을 체계적이고 대칭성 기반으로 생성하는 방법을 제시한다. 마그네슘을 대상으로 하며, 모든 가능한 격자군과 그 변형을 샘플링하여 이주성 있는 위치 에너지함수를 생성한다. 이는 훈련 과정에서 결함 구조를 포함시키지 않거나 활성 학습을 사용하지 않더라도, hcp 및 bcc 상과 결함을 정확하게 기술할 수 있도록 한다. 다양한 원자 환경에서 높은 예측 정확도를 달성한다.

ABSTRACT

We present a physically motivated strategy for the construction of training sets for transferable machine learning interatomic potentials. It is based on a systematic exploration of all possible space groups in random crystal structures, together with deformations of cell shape, size, and atomic positions. The resulting potentials turn out to be unbiased and generically applicable to studies of bulk defects without including any defect structures in the training set or employing any additional Active Learning. Using this approach we construct transferable potentials for pure Magnesium that reproduce the properties of hexagonal closed packed (hcp) and body centered cubic (bcc) polymorphs very well. In the process we investigate how different types of training structures impact the properties and the predictive power of the resulting potential.

연구 동기 및 목표

• 결함 특화 또는 저에너지 구조에 의존하지 않는 물리적으로 타당한 편향 없는 훈련 세트를 개발하기 위해.
• 결정 대칭성의 체계적 샘플링이 부품 결함에 대한 기계학습 원자간 위치 에너지함수(MZIPs)의 이주성과 정확도에 어떤 영향을 미치는지 조사하기 위해.
• 활성 학습이나 훈련 세트에 명시적인 결함 데이터를 포함시키지 않더라도 높은 이주성이 달성될 수 있음을 보여주기 위해.
• 절단 반경과 기저 집합 수준이 표면과 쌓임 결함과 같은 영역에서 강건성과 정확도 확보에 어떻게 기여하는지 평가하기 위해.
• 다른 물질에도 적용 가능한 일반화 가능한 자동화된 프레임워크를 구축하기 위해.

제안 방법

• 마그네슘의 모든 가능한 격자군을 탐색하여 원자 구조를 체계적으로 생성하며, 다양한 세포 형태, 크기, 원자 위치를 가진 임의의 결정 구조를 포함한다.
• 각 격자군 구조에 변형을 적용하여 다양한 원자 환경과 국소 대칭성을 샘플링한다.
• 밀도 함수 이론(DFT)을 사용하여 생성된 모든 구조에 대해 기준 에너지, 힘, 응력을 계산한다.
• 전체 데이터셋을 사용하여 모멘트 텐서 위치 에너지함수(MTPs)를 훈련하며, 이주성 확보를 위해 절단 반경과 기저 집합 수준을 신중히 선택한다.
• 결함(점 결함, 표면, 결정립 경계 등)에서의 모델 성능을 평가하고, 다른 데이터셋으로 훈련된 다른 MZIPs와 비교한다.
• 외부 데이터셋(다른 연구팀의 데이터 포함)을 사용하여 모델의 이주성을 평가함으로써 훈련 데이터를 초월한 일반화 능력을 평가한다.

실험 결과

연구 질문

• RQ1 결정 구조의 체계적이고 대칭성 기반의 샘플링이, 훈련 세트에 결함 구조를 포함시키지 않더라도 기계학습 원자간 위치 에너지함수(MZIPs)의 이주성을 가능하게 할 수 있는가?
• RQ2 절단 반경과 기저 집합 수준의 선택이 표면과 쌓임 결함과 같은 영역에서 결과 MZIPs의 정확도와 이주성에 어떤 영향을 미치는가?
• RQ3 특히 모든 격자군을 포함한 훈련 세트의 다양성이 기존의 또는 활성 학습 기반 훈련 세트에 비해 일반화 능력을 얼마나 향상시키는가?
• RQ4 충분히 다양하고 물리적으로 타당한 훈련 세트가 마련된 후에 활성 학습이 추가로 성능 향상에 기여하는가?
• RQ5 포괄적이고 편향 없는 데이터셋으로 훈련된 MZIPs가 더 제한된, 응용 중심의 데이터셋으로 훈련된 모델보다 외부 데이터셋에서 더 뛰어난 성능을 보일 수 있는가?

주요 결과

• 모든 격자군과 그 변형을 체계적으로 샘플링함으로써, 훈련 과정에서 결함 구조를 포함시키지 않더라도 마그네슘의 hcp 및 bcc 상을 정확하게 기술할 수 있는 훈련 세트를 생성할 수 있다.
• 결함과 표면에서 낮은 평균 제곱근 오차(RMSE)를 달성한 MTPs를 확보하기 위해 절단 반경 8.2 Å 및 기저 집합 수준 16 이상이 필수적임을 확인하였다. 이는 잘못된 영점 쌓임 에너지를 방지하기 위함이다.
• 포괄적인 '모든 것' 데이터셋으로 훈련된 위치 에너지함수는 외부 데이터셋에서 테스트했을 때, 더 작은 응용 중심 데이터셋으로 훈련된 다른 MZIPs보다 뛰어난 성능을 보이며, 뛰어난 이주성을 입증하였다.
• 다양하고 대칭성 기반의 훈련 세트가 마련된 후에는 활성 학습이 성능 향상에 크게 기여하지 않음을 확인하였으며, 이는 이 문제 유형에서 데이터 다양성이 반복적 개선보다 더 중요함을 시사한다.
• 외삽을 하지 않더라도, 내삽 오차를 적절히 관리하지 못하면 기계학습 원자간 위치 에너지함수(MZIPs)는 비최적의 결과를 낼 수 있으며, 이는 훈련 세트의 커버리지와 기저 집합의 품질이 매우 중요함을 강조한다.
• 이 방법은 평형 상과 결함을 정확히 기술할 수 있는 일반적인 목적의 이주성 있는 기계학습 원자간 위치 에너지함수(MZIPs)를 마그네슘에 대해 생성할 수 있도록 하며, 전체 데이터와 코드는 공개되어 있다.