[논문 리뷰] Visualising Energy Landscapes Through Manifold Learning

Benjamin W. B. Shires, Chris J. Pickard|arXiv (Cornell University)|2021. 11. 15.

Machine Learning in Materials Science참고 문헌 73인용 수 2

한 줄 요약

이 논문은 고차원 에너지 표면을 저차원 해석 가능한 임bedding으로 줄이는 데 기반한 다양한 매니폴드 학습 기반 방법인 Stochastic Hyperspace Embedding and Projection (SHEAP)을 소개한다. 이 방법은 레너드존스 클러스터, 고체 상태 탄소, C+H+N+O 시스템에서 고유한 저차원 구조, 예를 들어 패트롤과 같은 구조를 성공적으로 드러내어 국소 최소점들의 위상적 조직에 대한 새로운 통찰을 제공한다.

ABSTRACT

Energy landscapes provide a conceptual framework for structure prediction, and a detailed understanding of their topological features is necessary to develop efficient methods for their exploration. The ability to visualise these surfaces is essential, but the high dimensionality of the corresponding configuration spaces makes this difficult. Here we present Stochastic Hyperspace Embedding and Projection (SHEAP), a method for energy landscape visualisation inspired by state-of-the-art algorithms for dimensionality reduction through manifold learning, such as t-SNE and UMAP. The performance of SHEAP is demonstrated through its application to the energy landscapes of Lennard-Jones clusters, solid-state carbon, and the quaternary system C+H+N+O. It produces meaningful and interpretable low-dimensional representations of these landscapes, reproducing well known topological features such as funnels, and providing fresh insight into their layouts. In particular, an intrinsic low dimensionality in the distribution of local minima across configuration space is revealed.

연구 동기 및 목표

• 구조 예측에서 고차원 에너지 표면을 어떻게 효과적으로 시각화할 수 있을지에 도전한다.
• 감소된 차원에서 패트롤과 같은 위상적 특징 및 국소 최소점 분포를 유지할 수 있는 방법을 개발한다.
• 복잡한 구성 공간에서 국소 최소점 분포의 배경에 존재하는 고유한 저차원 매니폴드를 드러낸다.
• 효율적인 탐색 알고리즘 개발을 지원할 수 있는 해석 가능한 시각화를 제공한다.

제안 방법

• SHEAP는 t-SNE와 UMAP에 영감을 받은 다양한 매니폴드 학습 원리를 활용하여 고차원 구성 공간을 저차원 가시화 가능한 공간으로 임bedding한다.
• 에너지 표면의 국소적 및 전반적인 기하학적 관계를 유지하기 위해 확률적 최적화를 사용한다.
• 에너지와 구조 유사성에 기반해 고차원 구성에서 저차원 임bedding으로의 확률적 매핑을 구축한다.
• 국소 최소점 분포의 내재 기하학을 모델링하기 위해 확산 기반 접근법을 적용한다.
• 국소 및 전반적 구조 유지 간 균형을 이루는 가능도 기반 목적 함수를 최적화하여 임bedding을 최적화한다.

실험 결과

연구 질문

• RQ1 다양한 매니폴드 학습 기법은 고차원 에너지 표면의 위상적 특징을 효과적으로 시각화할 수 있는가?
• RQ2 복잡한 에너지 표면에서 국소 최소점 분포의 고유한 차원 수는 얼마인가?
• RQ3 SHEAP는 레너드존스 클러스터에서 알려진 패트롤과 같은 특징을 얼마나 잘 재현할 수 있는가?
• RQ4 이 방법은 고체 상태 탄소와 C+H+N+O 시스템에서 새로운 구조적 통찰을 어느 정도 드러내는가?

주요 결과

• SHEAP는 레너드존스 클러스터에서 패트롤과 같은 핵심 위상적 특징을 유지하는 저차원 임bedding을 성공적으로 생성한다.
• 모든 테스트된 시스템에서 구성 공간 전반에 걸쳐 국소 최소점 분포에 고유한 저차원성 구조가 존재함을 드러낸다.
• 고체 상태 탄소와 C+H+N+O 시스템의 시각화는 최소점들이 유기적으로 군집되어 있음을 보여주며, 이는 배경에 존재하는 구조적 질서를 시사한다.
• 임bedding는 최소점의 배열과 연결성을 새롭게 이해하는 데 기여하며, 탐색을 위한 새로운 경로를 제안한다.