[논문 리뷰] Developments and Further Applications of Ephemeral Data Derived Potentials

Pascal T. Salzbrenner, Se Hun Joo외 6명|arXiv (Cornell University)|2023. 06. 10.

Machine Learning in Materials Science참고 문헌 143인용 수 2

한 줄 요약

이 논문은 소규모 격자 구조에서 최소한의 DFT 계산된 에너지를 사용하여 매끄럽고 이식 가능한 임의의 위치 에너지 잠재력 프레임워크인 일시적 데이터 유도 잠재력(EDDP) 분야에서의 중대한 발전을 제시한다. 저자들은 EDDP의 응용 범위를 구조 예측을 넘어서 확장하여 다양한 시스템, 특히 탄소, lead, 스칸디움 수소화물, zinc 시아니다드 등에서 극한 조건 하에서도 진동 모드, 상도표, 초이온성, 열팽창을 정확하게 시뮬레이션할 수 있음을 입증한다.

ABSTRACT

Machine-learned interatomic potentials are fast becoming an indispensable tool in computational materials science. One approach is the ephemeral data-derived potential (EDDP), which was designed to accelerate atomistic structure prediction. The EDDP is simple and cost-efficient. It relies on training data generated in small unit cells and is fit using a lightweight neural network, leading to smooth interactions which exhibit the robust transferability essential for structure prediction. Here, we present a variety of applications of EDDPs, enabled by recent developments of the open-source EDDP software. New features include interfaces to phonon and molecular dynamics codes, as well as deployment of the ensemble deviation for estimating the confidence in EDDP predictions. Through case studies ranging from elemental carbon and lead to the binary scandium hydride and the ternary zinc cyanide, we demonstrate that EDDPs can be trained to cover wide ranges of pressures and stoichiometries, and used to evaluate phonons, phase diagrams, superionicity, and thermal expansion. These developments complement continued success in accelerated structure prediction.

연구 동기 및 목표

• 일시적 데이터 유도 잠재력(EDDP)의 적용 범위를 가속화된 구조 예측을 넘어서 확장하기 위해.
• 고압 및 고온과 같은 극한 조건에서 복잡한 재료를 시뮬레이션하는 데 도전하는 문제를 해결하기 위해.
• 최소한의 DFT 학습 데이터를 사용하여 열역학적 및 동역학적 성질의 강력하고 비용 효율적인 시뮬레이션을 가능하게 하기 위해.
• 다양한 화학적 시스템, 특히 원소 및 화합물 재료에서 EDDP의 이식성과 신뢰도 추정 능력을 입증하기 위해.

제안 방법

• 소규모 격자 구조(≤24원자)에서 단일점 DFT 에너지 계산을 사용하여 EDDP를 학습시켜 저비용 및 고속도 데이터 생성을 가능하게 한다.
• 가벼운 신경망을 사용하여 상호원자 잠재력을 피팅함으로써 매끄럽고 안정된 에너지 경관을 확보한다.
• 예측 신뢰도를 추정하기 위해 앙상블 분산을 통합하여 고속도 응용에서의 신뢰성을 향상시킨다.
• 진동 및 동적 성질 시뮬레이션을 가능하게 하기 위해 진동 모드 계산 및 분자 동역학(MD) 코드에 인터페이스를 구현한다.
• 고에너지 또는 잘 기술되지 않은 구조를 더 잘 커버하기 위해 주도 학습 및 편향된 MD 샘플링을 사용한다.
• 크기 이식성 원리를 활용하여 소규모 격자에서 학습된 잠재력을 효과적으로 대규모 시스템에 적용한다.

실험 결과

연구 질문

• RQ1 EDDP는 고압 조건에서 재료의 진동 모드 분산 및 열적 성질을 신뢰성 있게 예측할 수 있는가?
• RQ2 스핀-오비탈 결합 효과를 포함할 경우 EDDP는 상 안정성 및 상도표 예측 성능이 얼마나 우수한가?
• RQ3 탄수화물과 같은 복잡한 시스템에서 단일 EDDP 모델이 다양한 화학 스토이키오메트리의 범위를 얼마나 잘 다룰 수 있는가?
• RQ4 EDDP는 고압 수소화물에서 초이온성 행동과 수소 서브격자 융해를 정확하게 포착할 수 있는가?
• RQ5 앙상블 분산 지표는 다양한 화학 환경에서 EDDP 예측의 신뢰도 추정에 어떻게 기여하는가?

주요 결과

• Immm-ScH12에 대한 EDDP는 350 GPa에서 700 K 이상에서 수소 서브격자 융해와 초이온성을 성공적으로 예측하였으며, 이는 AIMD 결과와 일치한다.
• lead에 대한 EDDP는 스핀-오비탈 결합을 포함시킴으로써 실험적 융해 곡선을 재현하여 실험 결과와의 일치도를 향상시켰다.
• 스칸디움 수소화물에 대한 단일 EDDP 모델은 넓은 범위의 화학 스토이키오메트리를 정확하게 탐색하였고, 기존 결과와 일치하는 안정 상을 예측하였다.
• 4,000건 미만의 DFT 계산으로 학습된 EDDP는 원소 시스템에서 meV 수준의 정확도를 달성하였으며, 탄소를 제외한 모든 시스템에서 성능이 뛰어났다. 탄소는 더 큰 도전 과제를 안고 있었다.
• 앙상블 분산 지표는 EDDP 예측의 신뢰도 추정에 있어 신뢰할 수 있는 결과를 제공하였으며, 강력한 불확실성 정량화를 지원하였다.
• EDDP는 뛰어난 크기 이식성을 보였으며, 소규모 격자에서의 학습 데이터로부터 대규모 시스템의 정확한 모델링을 가능하게 하였다.