[論文レビュー] A Deep-learning Model for Fast Prediction of Vacancy Formation in Diverse Materials

Kamal Choudhary, Bobby G. Sumpter|arXiv (Cornell University)|May 17, 2022

Machine Learning in Materials Science参考文献 39被引用数 5

ひとこと要約

本論文では、完全な物質にのみ微調整なしで、欠陥形成エネルギーを多様な物質に対して直接予測するグラフニューラルネットワーク（ALIGNN）モデルを提示している。平均絶対誤差は1.0 eVに達し、JARVIS-DFTデータベースに含まれる55,723種の物質に対して192,494個の欠陥形成エネルギーを高速かつ大規模に予測可能となり、欠陥工学のベンチマークデータセットを確立した。

ABSTRACT

The presence of point defects such as vacancies plays an important role in material design. Here, we demonstrate that a graph neural network (GNN) model trained only on perfect materials can also be used to predict vacancy formation energies ($E_{vac}$) of defect structures without the need for additional training data. Such GNN-based predictions are considerably faster than density functional theory (DFT) calculations with reasonable accuracy and show the potential that GNNs are able to capture a functional form for energy predictions. To test this strategy, we developed a DFT dataset of 508 $E_{vac}$ consisting of 3D elemental solids, alloys, oxides, nitrides, and 2D monolayer materials. We analyzed and discussed the applicability of such direct and fast predictions. We applied the model to predict 192494 $E_{vac}$ for 55723 materials in the JARVIS-DFT database.

研究の動機と目的

• 欠陥に特化したトレーニングデータを必要とせず、多様な物質に対して高速かつ一般化可能な欠陥形成エネルギー予測手法の開発。
• 完全な物質に事前に訓練されたグラフニューラルネットワーク（ALIGNN）が、欠陥形成エネルギーなどの欠陥特性を正確に予測できるかの検証。
• DFTとディープラーニングを用いて、物質設計のための公開可能な大規模な欠陥形成エネルギーデータセットの構築。
• 元素固体、酸化物、合金、2次元材料など、さまざまな物質クラスにおけるモデルの性能評価。
• トレーニングデータ量とモデルの一般化能力が、欠陥エネルギー予測精度に与える影響の評価。

提案手法

• JARVIS-DFTデータベース内の完全な物質の原子あたりエネルギーに事前に訓練されたアトミックライングラフニューラルネットワーク（ALIGNN）モデルを、微調整なしに欠陥形成エネルギーの予測に直接適用。
• 結晶構造は、原子をノード、結合をエッジとするグラフとして表現し、ノードには9つの原子特徴、エッジには8 Åまでの径方向基底関数を用いた距離特徴を設定。
• エッジゲートドグラフ畳み込み層を用いて、グラフ全体にメッセージを伝搬させ、各レイヤーで学習関数を介してノードおよびエッジ特徴を更新。
• JARVIS-Toolsパッケージを用いて、全方向に8 Å以上の格子間隔を持つスーパーセル内で、一意なウィッコフ位置から1原子を除去することで欠陥構造を生成。
• テストデータセット（508件）のDFT計算は、VASPを用いてOptB88vdW関数とPAW法で実施し、エネルギー収束閾値を10⁻⁶ eV、適切なkポイントグリッドを設定。
• 予測精度を向上させるためのヒューリスティックなスカイサー・シフト補正を適用し、一部のケースでは平均絶対誤差を1.0 eVから0.8 eVに低減。

実験結果

リサーチクエスチョン

• RQ1 完全な物質に事前に訓練されたグラフニューラルネットワークが、追加の微調整なしに、欠陥形成エネルギーを正確に予測できるか？
• RQ2 元素固体、酸化物、合金、2次元材料などの異なる物質クラスにおいて、モデルの性能はどのように変化するか？
• RQ3 完全な物質のトレーニングデータ量が、欠陥形成エネルギー予測の精度に与える影響は何か？
• RQ4 DFTベンチマークと比較した場合、モデルの性能はどの程度か？また、単純な後処理補正により精度が向上するか？
• RQ5 このアプローチは、多様な物質にわたる大規模かつ包括的な欠陥形成エネルギーデータベースの構築にスケーラブルか？

主な発見

• ALIGNNモデルは、微調整なしに508件のDFT計算済み欠陥構造の欠陥形成エネルギーを予測し、平均絶対誤差（MAE）が1.0 eVに達した。
• 2次元モノレイヤーおよび酸化物では、元素固体や合金よりも高い性能を示した。これは、電子構造や結合性の違いに起因すると考えられる。
• 完全な物質データの100%を用いてエネルギー/原子のモデルをトレーニングした場合、MAEは1.0 eVであったが、トレーニングデータを20%に削減した場合、誤差は1.20 eVに増加した。これは、より大きなデータセットでさらに改善の余地があることを示唆している。
• スカイサー・シフト補正を適用することで、特定の物質クラスではMAEが0.8 eVに低下し、単純な後処理調整の価値を示した。
• 本手法により、JARVIS-DFTデータベースに含まれる55,723種の物質に対して192,494個の欠陥形成エネルギーが予測可能となり、これまでで最大の公開済み欠陥性質データセットが構築された。
• ヒストограм分析から、欠陥形成エネルギーが約2 eVでピークを示し、高い欠陥形成エネルギーは、低い原子あたり形成エネルギーおよび大きなバンドギャップと相関していることが明らかになった。