[논문 리뷰] Unified Representation for Machine Learning of Molecules and Crystals

Haoyan Huo, Matthias Rupp|arXiv (Cornell University)|2017. 04. 21.

Machine Learning in Materials Science인용 수 32

한 줄 요약

이 논문은 한 개의 힐버트 공간 내에서 분자와 결정을 동시에 정확하게 기계학습할 수 있도록 하는 통합적이고 미분 가능한 다체 텐서 표현을 소개한다. 이 표현은 이동, 회전 및 핵의 순열에 대해 불변성을 가지며, 7,000개의 유기 분자에 대해 1 kcal/mol 이하의 오차를 달성하고, 11,000개의 엘파솔라이트 결정에 대해 5 meV/atom 이하의 오차를 기록하여 Pt계/전이금속계 시스템에서 상도의 고속 예측을 가능하게 한다.

ABSTRACT

Accurate simulations of atomistic systems from first principles are limited by computational cost. In high-throughput settings, machine learning can potentially reduce these costs significantly by accurately interpolating between reference calculations. For this, kernel learning approaches crucially require a single Hilbert space accommodating arbitrary atomistic systems. We introduce a many-body tensor representation that is invariant to translations, rotations and nuclear permutations of same elements, unique, differentiable, can represent molecules and crystals, and is fast to compute. Empirical evidence is presented for energy prediction errors below 1 kcal/mol for 7k organic molecules and 5 meV/atom for 11k elpasolite crystals. Applicability is demonstrated for phase diagrams of Pt-group/transition-metal binary systems.

연구 동기 및 목표

• 기계학습을 위한 공통 힐버트 공간 내에서 다양한 원자 구조 시스템—분자와 결정—에 대해 단일이고 보편적인 표현을 개발하는 도전 과제를 해결한다.
• 기계학습을 이용한 빠른 정확한 보간을 가능하게 하여, 제1원리 시뮬레이션의 계산적 병목 현상을 극복한다.
• 학습 과정에서 물리적 일관성을 유지하기 위해 이동, 회전 및 동일한 원자의 순열에 대해 불변성을 확보한다.
• 고속 스케일링 응용을 위해 고유하고, 미분 가능하며, 계산이 효율적인 표현을 개발한다.
• Pt계/전이금속 이중합금 시스템의 상도 예측과 같은 복잡한 시스템에의 적용 가능성을 입증한다.

제안 방법

• 지정된 차수까지의 원자 환경을 캡처하는 다체 텐서 표현을 제안하여 다수의 입자 간 상호작용을 포괄한다.
• 텐서 대칭화 및 좌표 변환을 통해 이동, 회전 및 동일한 핵의 순열에 대한 불변성을 강제한다.
• 원자 위치와 원자 종류의 미분 가능한 함수로 표현을 구성하여 기울기 기반 최적화를 가능하게 한다.
• 고정된 작고 효율적인 텐서 기저를 사용하여 대규모 시스템에서도 빠른 계산을 보장한다.
• 통합된 표현을 기반으로 커널 기반 모델(예: 가우시안 프로세스)을 훈련시켜 에너지를 예측한다.
• 분자 및 결정 데이터셋에 모두 적용하여 표현의 일반화 능력을 검증한다.

실험 결과

연구 질문

• RQ1 단일이고 불변하는 텐서 표현이 분자와 결정을 동일한 힐버트 공간 내에서 기계학습에 적절히 표현할 수 있는가?
• RQ2 기존 방법에 비해 제안된 표현이 에너지 추정 오차를 얼마나 줄이는가?
• RQ3 이 표현이 복잡한 합금을 포함한 다양한 화학 시스템으로 일반화되는 정도는 어떠한가?
• RQ4 이 표현이 금속성 시스템에서 상도의 고속 예측을 지원할 수 있는가?
• RQ5 대규모 시뮬레이션에서 이 표현의 계산 효율성과 확장성은 어떠한가?

주요 결과

• 제안된 텐서 표현은 7,000개의 유기 분자 데이터셋에서 에너지 예측 오차가 1 kcal/mol 이하로 달성된다.
• 11,000개의 엘파솔라이트 결정에 대해 5 meV/atom 이하의 에너지 오차를 기록하여 주기적 시스템에 대해 높은 정확도를 입증한다.
• Pt계 및 전이금속 이중합금 시스템에서 상도 예측이 정확하게 가능함을 보여주어 강력한 일반화 능력을 입증한다.
• 계산이 효율적이고, 미분 가능하여 고속 스케일링 워크플로우에서의 확장 가능한 훈련 및 최적화를 지원한다.
• 이해관계자 이동, 회전 및 핵의 순열에 대해 불변성을 유지하여 물리적 일관성을 보장한다.
• 실험 결과는 표현의 고유성과 기계학습 기반 커널 모델링에 적합함을 확인한다.