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

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

Machine Learning in Materials Science참고 문헌 29인용 수 97

한 줄 요약

본 논문은 MBTR(다-body 텐서 표현)을 제안하여 분자와 결정 모두에 대한 정확한 ML 보간을 가능하게 하며, 에너지/힘 예측의 경쟁력을 입증하고 위상 다이어그램 응용을 보여준다.

ABSTRACT

Accurate simulations of atomistic systems from first principles are limited by computational cost. In high-throughput settings, machine learning can reduce these costs significantly by accurately interpolating between reference calculations. For this, kernel learning approaches crucially require a representation that accommodates 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 for competitive energy and force prediction errors is presented for changes in molecular structure, crystal chemistry, and molecular dynamics using kernel regression and symmetric gradient-domain machine learning as models. Applicability is demonstrated for phase diagrams of Pt-group/transition-metal binary systems.

연구 동기 및 목표

• 화학 및 재료과학에서 1원칙(atomistic) 시뮬레이션의 비용을 줄이기 위해 머신러닝의 동기를 부여한다.
• 유한 시스템과 주기적 시스템 모두를 나타낼 수 있는 단일의 불변하고 미분가능한 디스크립터를 개발한다.
• 커널 회귀와 그래디언트 기반 학습을 지원하는 확장 가능한 표현을 제안한다.
• MBTR의 분자 에너지/극화도 및 결정 형성 에너지에 대한 정확성을 입증하고, 활성 학습을 통한 위상 다이어그램 적용 가능성을 보여준다.

제안 방법

• MBTR을 많은-body 확장을 이용한 Coulomb 매트릭스와 bag-of-bonds 개념의 일반화로 정의한다.
• 선택된 커널(예: 가우시안)을 통해 원소 계층 분포와 확산을 갖는 k-몸항 f_k(x, z)을 인코딩한다.
• 다른 원소 간의 연금학적 학습을 가능하게 하려면 원소 상관 행렬 C를 도입한다.
• 연속 축을 이산화하여 미분 가능하고 커널/라이지 회귀에 적합한 텐서 표현을 얻는다.
• 반복 시스템을 다루려면 단위 셀 제약 조건과 가중치를 적용해 수렴을 보장한다.
• MBTR로부터 힘을 얻기 위한 해석적 기울도(그래디언트)를 도출하거나 자동 미분을 사용한다(Eq. 6).
• 에너지와 힘 예측을 포함하여 커널 릿지 회귀 및 sGDML 프레임워크를 사용해 MBTR을 다른 디스크립터와 비교한다.

실험 결과

연구 질문

• RQ1 MBTR이 불변하고 고유하며 연속적이고 미분가능하며 계산 속도가 빠른 분자 및 결정 시스템에 대한 보편적 디스크립터를 제공할 수 있는가?
• RQ2 MBTR은 기존 표현들에 비해 분자 원자화 에너지 및 극화율 예측에서 어떤 성능을 보이는가?
• RQ3 다원 요소 합금을 포함한 결정 시스템의 형성 에너지를 예측하는 데 MBTR의 효과는 어떠한가?
• RQ4 MBTR 기반 모델을 활성 학습과 통합해 재료의 위상 다이어그램을 효율적으로 구축할 수 있는가?
• RQ5 MBTR 기반 힘/포텐셜 예측은 역학 및 기하 보간에서 다른 ML 포텐셜과 비교해 어떤 차이가 있는가?

주요 결과

• MBTR은 소형 유기 분자 집합에서 원자분해 에 Ener gy 대 에러가 화학 정확도에 준하는 오차(sub-1 kcal/mol MAE)와 극화도에 대해 약 0.07 Å^3 MAE를 달성한다.
• MBTR은 선형 회귀로 분자 기하 변화에 대한 에너지/힘 예측에서 경쟁력을 보이며, 비선형 커널이나 sGDML 프레임워크를 사용할 때 추가 이점을 보인다.
• 엘파솔라이트 결정(12 원소를 가진 ABC2D6)에 대해 MBTR은 9k 학습 데이터에서 형성에너지를 RMSE 약 8.1 meV/원자, MAE 약 4.7 meV/원자로 예측한다.
• 4,611구조의 삼원계 합금 세트로 확장하면 RMSE가 약 23–31 meV/원자, MAE가 약 15–23 meV/원자로 증가하여 화학적 복잡성에 따른 확장성을 보여준다.
• 활성 학습 방식은 Ag-Pt 위상 다이어그램의 볼록 껍질을 정확하게 식별하면서 필요한 DFT 평가를 최대 48%까지 줄인다.
• MBTR은 sGDML을 향상시켜 힘/에너지 예측을 개선할 수 있으며, 특히 제한된 학습 데이터에서 경우에 따라 50–60%의 오차 감소를 보인다.