[論文レビュー] A Data-Driven Construction of the Periodic Table of the Elements

Michael J. Willatt, Félix Musil+1 more|arXiv (Cornell University)|Jun 30, 2018

Machine Learning in Materials Science被引用数 5

ひとこと要約

本論文は、距離に依存する重み付けと元素間相関を組み込んだデータ駆動型SOAPカーネルの拡張を提案し、分子および物質の安定性に対する機械学習モデルを顕著に改善した。得られたモデルは、従来の周期律表に類似した元素の関係を明らかにし、機械学習がデータから基礎的な化学的原則を再発見できることを示している。

ABSTRACT

Machine-learning of atomic-scale properties amounts to extracting correlations between structure, composition and the quantity that one wants to predict. Representing the input structure in a way that best reflects such correlations makes it possible to improve the accuracy of the model for a given amount of reference data. When using a description of the structures that is transparent and well-principled, optimizing the representation might reveal insights into the chemistry of the data set. Here we show how one can generalize the SOAP kernel to introduce a distance-dependent weight that accounts for the multi-scale nature of the interactions, and a description of correlations between chemical species. We show that this improves substantially the performance of ML models of molecular and materials stability, while making it easier to work with complex, multi-component systems and to extend SOAP to coarse-grained intermolecular potentials. The element correlations that give the best performing model show striking similarities with the conventional periodic table of the elements, providing an inspiring example of how machine learning can rediscover, and generalize, intuitive concepts that constitute the foundations of chemistry.

研究の動機と目的

• 原子スケールの物質および分子の性質を予測するための機械学習モデルを、構造表現の最適化によって向上させること。
• SOAPカーネルを一般化してマルチスケール相互作用と化学的元素の相関を捉えるデータ駆動型手法を開発すること。
• 機械学習が、周期律表のような基礎的な化学的概念をデータから再発見し一般化できるかどうかを検討すること。
• 複雑なマルチコンponent系のより正確なモデリングを可能にし、粗粒度な分子間ポテンシャルの開発を促進すること。

提案手法

• 原子構造内のマルチスケール相互作用を考慮するため、距離に依存する重み関数を導入することでSOAPカーネルを拡張する。
• 元素同士の相関をカーネル表現に組み込むことで、モデルの元素的関係への感受性を向上させる。
• 物質および分子の安定性予測のための参照データを用いた機械学習訓練を通じて、表現を最適化する。
• 学習された表現を用いて原子スケールの性質の予測モデルを訓練し、ベンチマークデータセット上で性能を評価する。
• 学習された元素相関を分析し、従来の周期律表との類似性を評価する。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型SOAPカーネル拡張は、材料および分子安定性の機械学習モデルの精度を向上させることができるか？
• RQ2 距離に依存する重み付けと元素間相関は、機械学習モデルにおける原子構造表現をどのように向上させるか？
• RQ3 モデルが学習した元素相関は、従来の元素周期律表とどの程度類似しているか？
• RQ4 このアプローチは、複雑なマルチコンponent系に一般化可能であり、分子間相互作用の粗粒度モデリングを可能にするか？

主な発見

• 提案されたカーネル拡張は、分子および物質の安定性を予測する機械学習モデルの性能を顕著に向上させた。
• 距離に依存する重み付けと元素間相関を組み込むことで、多様な化学系においてより正確で頑健な予測が可能になった。
• モデルが学習した元素相関は、従来の周期律表と顕著な構造的類似性を示しており、機械学習が基礎的な化学的原則を再発見できることを示している。
• 本手法は、複雑なマルチコンponent材料のより効果的なモデリングを可能にし、粗粒度な分子間ポテンシャルの開発を支援する。