[論文レビュー] Ab Initio Generalized Langevin Equation

Pinchen Xie, Roberto Car+1 more|arXiv (Cornell University)|Nov 12, 2022

Machine Learning in Materials Science参考文献 11被引用数 4

ひとこと要約

本論文では、Ab initio 分子動力学からの直接学習により、記憶核、ノイズ相関、および力場を学習することで、材料の高精度な粗粒度ダイナミクスを導出する機械学習ベースの手法である Ab Initio Generalized Langevin Equation (AIGLE) を提案する。フラクチュアーション・ディスシペーション定理を満たすことで、フェロエレクトリック領域壁の運動や双極子格子ダイナミクスといったミクロスケールプロセスの長時間スケールシミュレーションが可能となり、分子動力学に比べて数桁の高速化を達成しながら、低周波数ダイナミクスを高い精度で保持する。

ABSTRACT

We introduce a machine learning-based approach called ab initio generalized Langevin equation (AIGLE) to model the dynamics of slow collective variables in materials and molecules. In this scheme, the parameters are learned from atomistic simulations based on ab initio quantum mechanical models. Force field, memory kernel, and noise generator are constructed in the context of the Mori-Zwanzig formalism, under the constraint of the fluctuation-dissipation theorem. Combined with deep potential molecular dynamics and electronic density functional theory, this approach opens the way to multi-scale modeling in a variety of situations. Here, we demonstrate this capability with a study of two mesoscale processes in crystalline lead titanate, namely the field-driven dynamics of a planar ferroelectric domain wall, and the dynamics of an extensive lattice of coarse-grained electric dipoles. In the first case, AIGLE extends the reach of ab initio simulations to a regime of noise-driven motions not accessible to molecular dynamics. In the second case, AIGLE deals with an extensive set of collective variables by adopting a local approximation for the memory kernel and retaining only short-range noise correlations. The scheme is computationally more efficient than molecular dynamics by several orders of magnitude, and mimics the microscopic dynamics at low frequencies where it reproduces accurately the dominant far-infrared absorption frequency.

研究の動機と目的

• 材料のミクロスケールダイナミクスの正確な粗粒度モデルを体系的かつデータ駆動的に構築すること。
• 微視的シミュレーションから非マルコフ的記憶およびノイズをパラメータ化する課題に対処すること。
• 学習されたノイズおよび記憶核に第二フラクチュアーション・ディスシペーション定理を適用することで物理的整合性を保証すること。
• 標準的な Ab initio 分子動力学では到達できない分野、例えば領域壁の運動や双極子格子ダイナミクスのような複雑なミクロスケール現象の長時間スケールシミュレーションを可能にすること。
• 分子動力学に比べて数桁の高速化を達成しながらも、低周波数応答における精度を維持すること。

提案手法

• 本手法は、ミクロスケールのダイナミクスを集団変数に投影することで、Mori-Zwanzig 形式に基づく一般化ランジュヴィン方程式 (GLE) を構築する。
• 力場、記憶核、ノイズ生成器は、ディープポテンシャルおよび密度汎関数理論を用いて Ab initio 分子動力学の軌道から学習する。
• 記憶核は、定常性を保証する Yule-Walker 約束を課した正則化最適化スキームを用いて、有限長かつ時間並進不変な関数として学習する。
• ノイズは、学習可能な平均および分散を持つガウス自己回帰 (GAR) プロセスとしてモデル化され、第二フラクチュアーション・ディスシペーション定理によって制約される。
• 学習プロセスは、記憶核と GAR パrameterの最適化を交互に繰り返し、安定性を確保するため小さな学習率 ε (ε = 0.01) を用いて反復的改善を行う。
• 準平衡ダイナミクスは、学習済みの記憶およびノイズモデルを固定し、非平衡データ上で外部力パrameterを再学習することで組み込む。

実験結果

リサーチクエスチョン

• RQ1 機械学習は、Ab initio シミュレーションから、正確で物理的に整合性のある記憶およびノイズ項を抽出できるか？
• RQ2 記憶およびノイズの学習過程で、フラクチュアーション・ディスシペーション定理をどのように適用し、熱力学的整合性を確保できるか？
• RQ3 AIGLE は、標準的な Ab initio 分子動力学では到達できない分野、例えば外部電場駆動の領域壁運動のような長時間スケールのミクロスケールダイナミクスをシミュレートできるか？
• RQ4 記憶核の局所的近似が、大規模な双極子系のシミュレーションにおける精度および効率にどのように影響を与えるか？
• RQ5 AIGLE は、材料の主要な遠赤色吸収周波数をどの程度正確に再現できるか？これは、正しい低周波数ダイナミクスを示す。

主な発見

• AIGLE は、Ab initio 分子動力学に比べて数桁の高速化を達成しながらも、長時間スケールのダイナミクスを正確に捉えることができる。
• 本手法は、外部電場駆動のフェロエレクトリック領域壁の運動を効果的にモデル化でき、標準的な分子動力学では到達できないノイズ駆動領域にアクセスできる。
• 大規模な双極子格子系では、記憶核の局所的近似と短距離ノイズ相関を組み合わせることで、広範な集団変数のスケーラブルなシミュレーションが可能になる。
• AIGLE モデルは、主要な遠赤色吸収周波数を高い精度で再現し、正しい低周波数ダイナミクスが保証されていることを確認した。
• GAR モデルのパラメータに Yule-Walker 約束を課すことで、長期的な定常性が確保され、過学習を防ぎ、安定した長時間積分が可能になった。
• 第二フラクチュアーション・ディスシペーション定理を適用することで、記憶核とノイズ自己相関関数を結びつけることで、物理的整合性が維持された。