[논문 리뷰] Universal Machine Learning Interatomic Potentials are Ready for Phonons

Antoine Loew, Dewen Sun외 3명|arXiv (Cornell University)|2024. 12. 21.

Machine Learning in Materials Science인용 수 4

한 줄 요약

이 논문은 약 10,000개의 밀도함수이론(DF)에서 유도된 진동모드 계산을 바탕으로 일곱 종류의 일반화된 기계학습 원자간 잠재에너지함수(uMLIPs)의 진동모드 성능을 평가한다. 평형 상태에서 에너지 및 힘 예측 성능이 뛰어난 여러 모델들에서도 진동모드 주파수 및 열역학적 성질 예측에서 심각한 오차가 나타나, 지배적 상태 성질 외에도 진동 반응을 명시적으로 고려해 훈련시켜야 한다는 필요성을 드러낸다.

ABSTRACT

There has been an ongoing race for the past several years to develop the best universal machinelearning interatomic potential. This progress has led to increasingly accurate models for predictingenergy, forces, and stresses, combining innovative architectures with big data. Here, we benchmarkthese models on their ability to predict harmonic phonon properties, which are critical for under-standing the vibrational and thermal behavior of materials. Using around 10 000 ab initio phononcalculations, we evaluate model performance across various phonon-related parameters to test theuniversal applicability of these models. The results reveal that some models achieve high accuracyin predicting harmonic phonon properties. However, others still exhibit substantial inaccuracies,even if they excel in the prediction of the energy and the forces for materials close to dynamicalequilibrium. These findings highlight the importance of considering phonon-related properties inthe development of universal machine learning interatomic potentials.

연구 동기 및 목표

• 최신의 일반화된 기계학습 원자간 잠재에너지함수(uMLIPs)가 진동모드 성질을 예측하는 데 얼마나 잘 성능을 내는지 평가하기 위해.
• 주로 평형 기하구조에 기반해 훈련된 uMLIPs가 진동모드에 필수적인 잠재에너지면의 이阶도 도함수를 정확히 포착할 수 있는지 확인하기 위해.
• 진동모드 계산에서 예측 정확도, 계산 효율성, 다양한 재료에 대한 일반화 능력 간의 상호 상충 관계를 평가하기 위해.
• 향후 uMLIPs 개발 및 평가를 지원하기 위해 표준화된 진동모드 데이터셋과 코드를 제공하기 위해.

제안 방법

• 10,000개의 재료에 대해 PBE 함수를 사용한 DFT 계산을 기반으로, phonopy 패키지를 이용한 유한 이동법을 통해 힘 상수와 진동모드 분포를 계산하였다.
• 모든 uMLIPs는 동일한 PBE 최적 기하구조를 사용하여 평가되었으며, 기하구조 최적화는 ASE의 FIRE 알고리즘을, 대칭성 유지에는 FretchCellFilter를 적용하였다.
• 300 K에서 20×20×20 q-격자에 대해 푸리에 보간을 통해 진동모드 상태밀도를 계산하고, 열역학적 성질(진동 에ント로피, 헬름홀츠 자유에너지, 열용량)을 산출하였다.
• MDR 및 MPtrj 데이터베이스에서 유래한 10,000개의 다양한 재료로 구성된 데이터셋을 사용하여 모델을 테스트하였으며, 훈련 데이터 크기는 188만에서 1,100만 개의 구조로 다양하였다.
• 7종의 uMLIPs(M3GNet, MACE, CHGNet, MatterSim, SevenNet, ORB, OMat24)를 포함한 벤치마크를 수행하였으며, 에너지, 힘, 진동모드 주파수, 열역학적 성질을 평가하였다.
• 모든 모델은 오픈소스이며, 전체 진동모드 데이터셋은 크리에이티브 커먼즈 저작자표시 4.0 라이선스 하에 Alexandria에 공개되었다.

Figure 1: Distribution of (a) number of different chemical elements per unit cell, (b) crystal systems, and (c) band gaps calculated with the PBE functional for all the materials in the dataset.

실험 결과

연구 질문

• RQ1 일반화된 기계학습 원자간 잠재에너지함수는 다양한 재료에 걸쳐 진동모드 주파수 및 열역학적 성질을 정확히 예측할 수 있는가?
• RQ2 에너지 및 힘 예측 성능이 높은 일부 uMLIPs가 왜 진동모드 성질 예측에서는 실패하는가?
• RQ3 uMLIPs의 계산 효율성과 아키텍처 설계는 진동모드 예측 정확도와 어떻게 관련이 있는가?
• RQ4 비평형 상태 훈련 데이터는 uMLIPs의 진동모드 성질 예측 정확도 향상에 어느 정도 기여하는가?

주요 결과

• MatterSim과, 다소 낮은 수준이지만 SevenNet가 진동모드 주파수 예측에서 가장 높은 정확도를 보였으며, 분산이 작고 PBE 기준값과의 체계적 편차도 최소화되었다.
• M3GNet과 CHGNet와 같은 일부 모델들은 평형 상태에서 에너지 및 힘 예측 성능이 뛰어나도 진동모드 주파수 예측에서 심각한 오차를 보였다.
• 비평형 상태 데이터를 명시적으로 포함하지 않은 모델들은 진동모드 성질 예측에서 더 큰 오차를 보였으며, 이는 표준 훈련 프로토콜로는 곡률 정보가 충분히 포착되지 않는다는 것을 시사한다.
• M3GNet는 가장 빠른 모델로, 단일 CPU 코어에서도 GPU 가속 모델들조차도 앞서는 성능을 보였다. 반면 OMat24와 MACE는 테스트된 uMLIPs 중에서 가장 느렸다.
• 본 연구는 평형 상태 구조만으로 훈련된 uMLIPs가 진동모드 성질을 신뢰성 있게 예측하지 못함을 확인하였으며, 향후 훈련에 곡률 민감도 데이터를 포함시켜야 한다는 점을 강조한다.
• 저자들은 약 10,000개의 재료로 구성된 포괄적인 진동모드 데이터셋과 관련 코드를 공개하여 향후 uMLIP 개발 및 평가를 지원한다.

Figure 2: Periodic tables showing the frequency of the chemical elements in the structures from the dataset. Elements in gray are absent from the dataset.