[논문 리뷰] Unsupervised topological learning for identification of atomic structures

Sébastien Becker, Émilie Devijver외 2명|arXiv (Cornell University)|2021. 09. 16.

Topological and Geometric Data Analysis참고 문헌 59인용 수 20

한 줄 요약

이 논문은 원자 위치에서 위상 기반 기술자(위상 기반 기술자)를 추출하기 위해 지속 호몰로지(PH)를 사용하는 비지도 위상 학습 프레임워크를 제안한다. 이는 재료의 국소 원자 구조를 자동으로 군집화할 수 있게 하며, 냉각된 지랄륨의 분자 동역학 시뮬레이션에 적용하여 사전 레이블 없이도 결정상, 액체상 및 핵형성 상을 성공적으로 식별한다. PH 기반 특징의 가우시안 혼합 모델링을 통해 고르지 않은 핵형성 과정 중의 구조 전이를 견고하게 탐지함을 보여준다.

ABSTRACT

We propose an unsupervised learning methodology with descriptors based on Topological Data Analysis (TDA) concepts to describe the local structural properties of materials at the atomic scale. Based only on atomic positions and without a priori knowledge, our method allows for an autonomous identification of clusters of atomic structures through a Gaussian mixture model. We apply successfully this approach to the analysis of elemental Zr in the crystalline and liquid states as well as homogeneous nucleation events under deep undercooling conditions. This opens the way to deeper and autonomous study of complex phenomena in materials at the atomic scale.

연구 동기 및 목표

• 원자 위치만을 사용하고 사전 레이블 없이 재료의 국소 원자 구조를 식별하기 위한 비지도 방법을 개발하는 것.
• 국소 원자 환경을 위한 기술자로 위상 데이터 분석(TDA), 특히 지속 호몰로지(PH)를 적용하는 것.
• 위상 기반 특징에 기반해 가우시안 혼합 모델(GMM)을 사용해 구조적으로 다른 원자 구조를 군집화하는 것.
• 요소 지랄륨의 깊은 냉각 조건에서의 분자 동역학 시뮬레이션을 통해 방법을 검증하고, 응고 및 핵형성 과정을 캡처하는 것.
• 복잡한 원자 스케일 현상을 분석하기 위한 자율적이고 완전한 프레임워크를 제공하는 것.

제안 방법

• 반경 분포 함수의 극소값(예: 4.43 Å 및 7.28 Å에서의 첫 번째 및 두 번째 셸)을 기반으로 한 좌표화 영역을 사용해 국소 원자 구조를 구성한다.
• 원자 점군의 형태 특징을 인코딩하기 위해 필터링 스케일 전역에서 위상 불변량(H0, H1, H2)을 계산하기 위해 지속 호몰로지(PH)를 적용한다.
• 모든 위상 차원에서 베티 수를 요약한 위상 벡터를 추출하여 각 원자에 대한 구조 기술자를 형성한다.
• 위상 기반 기술자를 기반으로 비지도 방식으로 원자 구조를 군집화하기 위해 가우시안 혼합 모델(GMM)을 사용한다.
• 중앙 원자 간 최소 거리(≥2× 截단 반경)를 확보하기 위해 시스템을 샘플링하여 통계적 독립성을 확보한다.
• 주성분 분석(PCA)과 t-SNE를 사용해 군집을 시각화하고, 표준 방법인 결합 정렬 순서 분석(BOOA)과 비교하여 검증한다.

실험 결과

연구 질문

• RQ1 지속 호몰로지가 재료의 국소 원자 구조에 대해 강건하고 비지도 기술자로 기능할 수 있는가?
• RQ2 GMM이 위상 기반 기술자만으로 구조적로 구분되는 모티프(예: 액체, 고체, 핵형성)를 얼마나 잘 식별할 수 있는가?
• RQ3 이 방법은 상 경계에 대한 사전 지식 없이 깊은 냉각 조건에서의 고르지 않은 핵형성의 시작을 탐지하고 특성화할 수 있는가?
• RQ4 원자 군집의 위상 기반 특징은 기존의 구조적 지표인 결합 정렬 순서 파라미터와 어떻게 관련이 있는가?
• RQ5 다양한 척도의 위상 기반 특징(H0, H1, H2)이 복잡한 재료에서 구조적 환경을 구분하는 데 어떤 역할을 하는가?

주요 결과

• TDA-GMM 프레임워크는 냉각된 지랄륨에서 일곱 개의 구조적으로 다른 군집을 성공적으로 식별하였으며, 이는 액체 유사, 고체 유사, 중간 핵형성 상을 포함한다.
• C1 군집은 체심입방(bcc) 유사한 특성을 보이며, 높은 대칭성과 잘 정의된 결정 구조 질서를 보였으며, 위상 기반 특징과 함께 결합 정렬 순서 분석(BOOA)으로서 확인되었다.
• C2 군집은 q6 값의 분포가 넓고 질서가 덜 정의되어 있어 핵 주변의 더 무질서한 액체 유사 환경을 나타낸다.
• C3 군집은 액체와 고체 군집의 경계에 위치해 있어 일시적이고 부분적으로 질서가 정돈된 구조를 포함하는 비균질 핵형성 시나리오와 일치한다.
• 사전 레이블 없이 깊은 냉각 조건에서의 구조 전이를 탐지하였으며, 사후 확률을 통해 기술자 공간에서 군집이 잘 분리되어 있음을 확인하였다.
• t-SNE 및 PCA 시각화 결과 군집 간 명확한 군집화가 관찰되었으며, C1과 C2 군집은 첫 번째 주성분을 따라 높은 분산을 보이며 이들의 그룹 내에서의 구조 다양성을 나타냈다.