[论文解读] Efficient prediction of 3D electron densities using machine learning

Mihail Bogojeski, Felix Brockherde+5 more|arXiv (Cornell University)|Nov 15, 2018

Machine Learning in Materials Science参考文献 24被引用 12

一句话总结

本文提出一种机器学习方法，通过使用核岭回归从外势能到电子密度学习Hohenberg-Kohn映射，绕过了密度泛函理论中计算成本高昂的Kohn-Sham方程。该方法以极低的计算成本实现了DFT级别的精度，预测三维电子密度和总能量，支持仅基于密度预测的稳定分子动力学模拟，相比传统DFT最高可实现99%的加速。

ABSTRACT

The Kohn-Sham scheme of density functional theory is one of the most widely used methods to solve electronic structure problems for a vast variety of atomistic systems across different scientific fields. While the method is fast relative to other first principles methods and widely successful, the computational time needed is still not negligible, making it difficult to perform calculations for very large systems or over long time-scales. In this submission, we revisit a machine learning model capable of learning the electron density and the corresponding energy functional based on a set of training examples. It allows us to bypass solving the Kohn-Sham equations, providing a significant decrease in computation time. We specifically focus on the machine learning formulation of the Hohenberg-Kohn map and its decomposability. We give results and discuss challenges, limits and future directions.

研究动机与目标

• 开发一种机器学习模型，无需求解密度泛函理论中的Kohn-Sham方程，即可预测三维电子密度和总能量。
• 通过用训练好的机器学习模型替代迭代的自洽场过程，解决传统DFT的高计算成本问题。
• 仅使用预测的电子密度和能量泛函，实现快速、准确的分子动力学模拟。
• 探索利用机器学习学习Hohenberg-Kohn映射及其可分解结构的可行性，以实现可扩展的电子结构预测。

提出的方法

• 通过核岭回归（KRR）学习Hohenberg-Kohn映射，将单体势能v(r)映射到电子密度n(r)。
• 电子密度以基函数展开表示，每个基函数系数通过独立的KRR模型进行预测，实现可分解的学习。
• 使用独立的KRR模型从预测的密度学习能量泛函，映射到总能量，从而实现无需力预测的分子动力学。
• 采用基于原子核为中心的高斯型函数的对称性感知描述符，编码分子几何结构。
• 在小分子的DFT计算电子密度和能量数据集上进行模型训练，参考计算使用Quantum ESPRESSO完成。
• 通过利用预测能量表面导出的力生成分子动力学轨迹，对方法进行验证。

实验结果

研究问题

• RQ1 机器学习模型能否在不求解Kohn-Sham方程的情况下，仅从外势能准确预测三维电子密度？
• RQ2 基函数系数预测的可分解结构在电子密度建模中如何提升效率与可扩展性？
• RQ3 预测的电子密度和能量泛函在多大程度上能够支持稳定的分子动力学模拟？
• RQ4 ML-HK映射在不同分子构象之间是否具备泛化能力，且在对称性相关挑战下是否保持鲁棒性？
• RQ5 当前模型在处理分子体系中的旋转和镜像对称性方面存在哪些局限性？

主要发现

• ML-HK映射在保持DFT级别精度的前提下，相比传统DFT将计算时间减少了99%。
• 该模型仅使用预测的能量，成功为malonaldehyde在300 K下生成了稳定的分子动力学轨迹，最大绝对能量误差为5.7 kcal/mol。
• 通过独立的KRR模型实现基函数系数的分解预测，显著提升了训练效率和模型可解释性。
• 该模型表明，仅通过密度到能量的映射即可实现无力预测的分子动力学，具有可行性。
• 该方法在不同分子构象间保持鲁棒性，尽管由于旋转和镜像对称性不匹配导致的对齐不完美，性能受到一定影响。
• 该框架具有灵活性和可扩展性，可将能量映射替换为力映射，以进一步提升分子动力学模拟的精度。