[논문 리뷰] Crystal Structure Search with Random Relaxations Using Graph Networks

Gowoon Cheon, Lusann Yang외 3명|arXiv (Cornell University)|2020. 12. 05.

Machine Learning in Materials Science참고 문헌 58인용 수 6

한 줄 요약

이 논문은 리튬-실리콘 음극 재료의 고속 DFT 생성 데이터셋을 활용하여, 그래프 신경망(GNN) 기반 모델을 제안하여 밀도함수이론(DFT) 기반 무작위 구조 탐색(AIRSS)을 가속화한다. 모델은 무작위 초기 구조에서 안정화된 결정 구조를 예측하며, 실험적으로 확인된 Li15Si4 구조를 사전 학습 없이도 성공적으로 복원하고, 가우시안 노이즈 데이터 증강을 통해 일반화 능력을 향상시켜, 계산 비용이 매우 높은 DFT 계산에 비해 수십 배에서 수백 배 이상의 가속도를 달성한다.

ABSTRACT

Materials design enables technologies critical to humanity, including combating climate change with solar cells and batteries. Many properties of a material are determined by its atomic crystal structure. However, prediction of the atomic crystal structure for a given material's chemical formula is a long-standing grand challenge that remains a barrier in materials design. We investigate a data-driven approach to accelerating ab initio random structure search (AIRSS), a state-of-the-art method for crystal structure search. We build a novel dataset of random structure relaxations of Li-Si battery anode materials using high-throughput density functional theory calculations. We train graph neural networks to simulate relaxations of random structures. Our model is able to find an experimentally verified structure of Li15Si4 it was not trained on, and has potential for orders of magnitude speedup over AIRSS when searching large unit cells and searching over multiple chemical stoichiometries. Surprisingly, we find that data augmentation of adding Gaussian noise improves both the accuracy and out of domain generalization of our models.

연구 동기 및 목표

• 에너지 응용 분야의 재료 설계에서 핵심적인 장애물인 화학식으로부터 안정된 결정 구조를 예측하는 데 오랫동안 해결되지 않은 과제를 해결하기 위해.
• 계산 비용이 매우 높고 시간이 오래 소요되는 결정 구조 예측의 최신 기법인 ab initio 무작위 구조 탐색(AIRSS)을 가속화하기 위해.
• 무작위 초기 구조에서 안정화된 결정 구조를 예측할 수 있는 그래프 신경망(GNN) 기반의 데이터 기반 모델을 개발하기 위해.
• 원자 위치에 가우시안 노이즈를 적용한 데이터 증강을 통해 모델의 일반화 능력과 정확도를 향상시키기 위해.
• 특히 리튬-실리콘 이차전지 음극을 위한 대규모 격자 구조와 다양한 스토이키오메트리의 재료 탐색을 효율적으로 가능하게 하기 위해.

제안 방법

• 밀도함수이론(DFT) 계산을 활용하여 리튬-실리콘 음극 재료의 무작위 결정 구조 최적화에 대한 고속 스케일 데이터셋을 구축한다.
• 초기 무작위 결정 구조를 그래프로 표현한 GNN을 학습시켜 최종 안정화된 원자 위치와 격자 매개변수를 예측한다.
• 원자를 노드로, 결합을 간선으로 간주하여 결정 구조를 그래프로 표현하며, 원자 종류, 위치, 배위수 등의 특징을 포함한다.
• 학습 중 원자 위치에 가우시안 노이즈를 추가하여 데이터 증강을 적용함으로써 모델의 강인성과 도메인 외 일반화 능력을 향상시킨다.
• GNN을 활용하여 새로운, 알려지지 않은 스토이키오메트리와 대규모 격자 구조에 대해 안정화된 구조를 예측함으로써 고비용 DFT 최적화를 회피한다.
• 예측된 구조를 알려진 실험적 구조 및 DFT 최적화된 구조와 비교하여 모델 성능을 평가하며, Li15Si4를 포함한다.

실험 결과

연구 질문

• RQ1 DFT로 생성된 데이터를 활용하여, 무작위 초기 구조에서 안정화된 결정 구조를 효과적으로 예측할 수 있는 그래프 신경망(GNN)을 학습시킬 수 있는가?
• RQ2 원자 위치에 가우시안 노이즈를 적용한 데이터 증강이, 새로운 스토이키오메트리와 구조에 대한 GNN 모델의 일반화 능력을 향상시키는가?
• RQ3 기존 AIRSS 방법에 비해 GNN 모델이 결정 구조 예측을 얼마나 빠르게 수행할 수 있는가?
• RQ4 모델은 사전 학습 없이도 실험적으로 확인된 Li15Si4 구조를 발견할 수 있는가?
• RQ5 대규모 격자 구조와 다양한 화학 조성에 대해 모델의 성능은 어떠한가?

주요 결과

• 사전 학습을 하지 않은 상태에서도 실험적으로 확인된 Li15Si4 구조를 성공적으로 예측하여, 도메인 외 일반화 능력이 뛰어나다는 것을 입증하였다.
• 기존 AIRSS 방법에 비해 뚜렷한 가속도를 달성하였으며, 특히 대규모 격자 구조와 복잡한 스토이키오메트리의 경우 수십 배에서 수백 배 이상의 가속도를 기록하였다.
• 가우시안 노이즈를 활용한 데이터 증강은 정확도와 강인성을 모두 향상시켜, 특히 알려지지 않은 결정 구조에 대한 일반화 능력 향상에 기여하였다.
• 다양한 스토이키오메트리와 격자 크기에 대해 잘 일반화되어 있어, 재료 탐색 파이프라인에서 넓은 적용 가능성을 보였다.
• GNN 기반 접근 방식은 계산 비용이 매우 높은 DFT 최적화에 의존하지 않고도 결정 구조의 구성공간을 효율적으로 탐색할 수 있도록 하였다.