[논문 리뷰] Transferable Machine Learning Potential X-MACE for Excited States using Integrated DeepSets

Rhyan Barrett, Christoph Ortner외 1명|ArXiv.org|2025. 02. 18.

Advanced Optical Sensing Technologies인용 수 4

한 줄 요약

X-MACE는 MACE를 DeepSets 기반 오토인코더로 확장하여 비매끄러운 들뜬 상태 표면을 학습하고 지상상태 모델로부터 들뜬 상태로의 전달 학습을 가능하게 하며, 원뿔 교차점 근처의 정확도를 개선하고 분자 간 전달을 가능하게 한다.

ABSTRACT

Conical intersections serve as critical gateways in photochemical reactions, enabling rapid nonradiative transitions between potential energy surfaces that underpin fundamental processes such as photosynthesis or vision. Their calculation with quantum chemistry is, however, extremely computationally intensive and their modeling with machine learning poses a significant challenge due to their inherently non-smooth and complex nature. To address this challenge, we introduce a deep learning architecture designed to precisely model excited states and improve their accuracy around these critical, non-smooth regions. Our model integrates Deep Sets into the Message Passing Atomic Cluster Expansion (MACE) framework resulting in a smooth representation of the non-smooth excited-state potential energy surfaces. We validate our method using numerous molecules, showcasing a significant improvement in accurately modeling the energy landscape around conical intersections compared to conventional excited-state models. Additionally, we apply ground-state foundational machine learning models as a basis for excited states. By doing so, we showcase that the developed model is capable of transferring not only from the ground state to excited states, but also within chemical space to molecular systems beyond those included in the training dataset. This advancement not only enhances the fidelity of excited-state modeling, but also lays the foundations for the investigation of more complex molecular systems.

연구 동기 및 목표

• 원자핵-전자 상호작용 붕괴가 뚜렷한 원뿔 교차점 근처의 들뜬 상태 다이나믹스 정확한 모델링 필요성에서 동기 부여를 받았다.
• 비매끄러운 들뜬 상태 포텐셜 에너지 표면의 매끄러운 표현을 제공하는 신경망 구조를 개발한다.
• 화학 공간 전역에서 지상상태 MACE 표현을 활용하여 들뜬 상태로의 전달 학습을 가능하게 한다.
• 원뿔 교차점 근처의 정확도 개선을 시연하고 보이지 않는 분자 및 더 큰 크로모포어에 대한 전달 가능성을 평가한다.

제안 방법

• MACE 프레임워크를 DeepSets 기반 오토인코더로 확장하여 들뜬 상태 에너지로부터 순열 불변 함수 집합을 학습한다.
• Adiabatic 에너지를 DeepSets 인코더를 사용하여 순열 불변 잠재 벡터로 인코딩한다.
• 잠재 표현으로부터 Hermitian 행렬을 구성하고 고유값을 계산하여 에너지 표면으로 디코딩한다.
• MACE 내의 리드아웃 블록을 사용하여 불변 함수를 예측하고 이를 다시 Adiabatic 에너지로 매핑한다.
• 다중 데이터셋(크로모포어, 알켄, 메틸렌이미모늄 양이온)을 대상으로 오토인코더가 있는 경우와 없는 경우의 X-MACE를 SchNarc 및 SPaiNN과 비교한다.
• 사전 학습된 MACE 모델을 더 작은 들뜬 상태 데이터 세트에 대해 파인튜닝하여 전달 학습을 시연한다.

실험 결과

연구 질문

• RQ1 순열 불변의 집합 기반 표현이 원뿔 교차점 근처의 비매끄러운 들뜬 상태 표면 모델링을 개선할 수 있는가?
• RQ2 오토인코더를 도입해 매끄러운 불변 표현을 학습하면 에너지, 힘, 비자가 상태 결합(Nonadiabatic Coupling) 예측이 향상되는가?
• RQ3 지상상태 사전 학습 모델이 화학 공간 전반에 걸쳐 들뜬 상태 예측으로 어느 정도까지 전달될 수 있는가?
• RQ4 X-MACE가 기존의 들뜬 상태 모델(SchNarc, SPaiNN)과 비교해 정확도 및 데이터 효율성에서 어떤 차이를 보이는가?
• RQ5 보이지 않는 크로모포어 및 더 큰 분자 시스템에서 전달 학습이 효과적인가?

주요 결과

모델	시스템	Mean Absolute Error (MAE)	에너지 (eV)	힘 (eV/Å)	매끄러운 NACS (eV/Å)
SchNarc	Chromophores	1.648	-	-	-
SchNarc	Butene	0.07586	0.19102	0.14164	-
SchNarc	Ethene	0.05992	0.16944	0.19648	-
SchNarc	Methylenimmonium cation	0.1190	0.3800	0.4311	-
SPaiNN	Chromophores	0.5762	-	-	-
SPaiNN	Butene	0.0475	0.10285	0.135	-
SPaiNN	Ethene	0.02793	0.08249	0.2108	-
SPaiNN	Methylenimmonium cation	0.1018	0.3323	0.4231	-
E-MACE	Chromophores	0.13256	0.13790	-	-
E-MACE	Butene	0.02350	0.08859	0.10118	-
E-MACE	Ethene	0.0048	0.0359	0.1027	-
E-MACE	Methylenimmonium cation	0.1295	0.2639	0.2540	-

• 오토인코더가 있는 X-MACE는 표준 MACE 및 기존 들뜬 상태 모델과 비교할 때 에너지 및 힘 오차를 크게 줄인다.
• 에너지 예측에서 X-MACE는 평가 데이터 세트에서 SchNarc보다 보통 한 단계 낮은 오차를, SPaiNN보다 약 3분의 1 정도의 오차를 달성하는 경향이 있다.
• 오토인코더 프레임워크는 더 매끄러운 불변 표현을 생성하여 필요한 모델 크기를 축소하고 데이터 세트 전반의 오차 분포를 낮춘다.
• 지상상태 MACE 사전 학습으로부터의 전달 학습은 1% 수준의 데이터만으로도 들뜬 상태 예측을 정확하게 수행하게 하며, 적은 데이터에서의 학습과 비교해 우수한 성능을 보인다.
• 보이지 않는 크로모포어로의 전달은 지상 상태 사전 학습으로 에너지에서 약 30%, 힘에서 약 15%의 오차 감소를 보이며 강력한 교차 도메인 일반화를 시사한다.
• 데이터 세트 전반에서 X-MACE는 일반적으로 SchNarc 및 SPaiNN보다 에너지와 힘에서 우수하거나 동등한 비가역적 결합 예측을 보이며, 이들의 비자가 상태 결합 예측과도 대등하거나 우수한 성능을 보인다.