[論文レビュー] General-purpose machine-learned potential for 16 elemental metals and their alloys

Keke Song, Rui Zhao+26 more|arXiv (Cornell University)|Nov 8, 2023

Machine Learning in Materials Science被引用数 6

ひとこと要約

本論文は、16種の元素金属（Ag, Al, Au, Cr, Cu, Mg, Mo, Ni, Pb, Pd, Pt, Ta, Ti, V, W, Zr）およびその合金を対象とし、化学的空間を効率的にカバーするため、16個の1成分系および120個の2成分系の最小限のセットを用いて訓練された汎用的機械学習ポテンシャル（MLP）であるUNEP-v1を提示する。このモデルはDFTと同等の高い精度を達成し、1秒間に1.5×10⁸原子の速度で最大1億原子のスケールの分子動力学的シミュレーションを可能にし、難融性高エントロピー合金における塑性変形および放射線損傷のモデリングにおいて優れた性能を示している。

ABSTRACT

Machine-learned potentials (MLPs) have exhibited remarkable accuracy, yet the lack of general-purpose MLPs for a broad spectrum of elements and their alloys limits their applicability. Here, we present a feasible approach for constructing a unified general-purpose MLP for numerous elements, demonstrated through a model (UNEP-v1) for 16 elemental metals and their alloys. To achieve a complete representation of the chemical space, we show, via principal component analysis and diverse test datasets, that employing one-component and two-component systems suffices. Our unified UNEP-v1 model exhibits superior performance across various physical properties compared to a widely used embedded-atom method potential, while maintaining remarkable efficiency. We demonstrate our approach's effectiveness through reproducing experimentally observed chemical order and stable phases, and large-scale simulations of plasticity and primary radiation damage in MoTaVW alloys. This work represents a significant leap towards a unified general-purpose MLP encompassing the periodic table, with profound implications for materials science.

研究の動機と目的

• システム特有のトレーニングを必要とせずに、広範な元素金属およびその合金を高精度にモデル化できる統合的で汎用的な機械学習ポテンシャル（MLP）を開発すること。
• 16種の元素金属の化学的空間を完全にカバーするために、16個の1成分系および120個の2成分系のトレーニング系のみで十分であることを示し、トレーニングデータの組み合わせ的爆発を回避すること。
• 密度汎関数理論（DFT）と同等の高い計算効率と精度を達成するとともに、大規模な分子動力学的シミュレーションを可能にすること。
• 難融性高エントロピー合金における塑性変形および一次放射線損傷といった複雑な現象への応用を通じて、モデルの汎用性と頑健性を検証すること。
• 訓練済みモデル、トレーニングデータ、シミュレーションツールをオープンソースで提供し、材料科学研究の加速を図ること。

提案手法

• モデルは、多体対称関数（MBFS）を記述子として用いたニューラルネットワークポテンシャル（NNP）フレームワークに基づき、16種の元素金属および120種のバイナリ合金のキュレートドデータセット上でトレーニングされている。
• 多損失進化的トレーニングアルゴリズムが採用され、多様な化学的環境における精度と一般化性能のバランスを最適化している。
• 化学的空間は、1成分および2成分系に限定してトレーニングすることで効率的にサンプリングされ、高次合金は記述子空間における補間点として扱われる。
• トレーニングの基準データとして密度汎関数理論（DFT）計算が用いられ、さまざまな相態およびひずみ状態における広範な構造的サンプリングが実施された。
• 大規模な分子動力学的シミュレーションは、GPUMDおよびPyNEPソフトウェアスタックを用いて実施され、動的時間ステップ制御および電子的停止項を含む放射線損傷シミュレーションが可能になっている。
• 欠陥（空孔や自己間隙原子）は、ウィグナー＝サイツセル法を用いて同定され、クラスタリングは2番目および3番目の近隣原子距離によって定義されている。

実験結果

リサーチクエスチョン

• RQ1 16種の元素金属およびその合金の熱力学的および機械的性質を高精度に記述できる、1つの統合的で汎用的な機械学習ポテンシャルをトレーニングできるか？
• RQ2 16種の元素金属の化学的空間を、16個の1成分系および120個の2成分系のトレーニング系のみで表現可能であり、すべての組み合わせを網羅的に列挙する必要がないか？
• RQ3 統合的MLPの性能は、架空の結合エネルギー、弾性定数、フォノン分散の予測において、埋め込み原子法（EAM）ポテンシャルと比較してどの程度優れているか？
• RQ4 モデルは、MoTaVWのような複雑な多成分系、例えば難融性高エントロピー合金へどの程度一般化できるか？
• RQ5 大規模な分子動力学的シミュレーションにおけるモデルの計算性能はどの程度か？1億原子のシミュレーションを高速に実行可能か？

主な発見

• UNEP-v1は、8枚の80-GiB A100 GPUを用いて、1秒間に1.5×10⁸原子の計算速度を達成し、最大1億原子のスケールのシミュレーションを可能にしている。
• 16種の元素金属すべてにおいて、結合エネルギー、弾性定数、フォノン分散の予測において、埋め込み原子法（EAM）ポテンシャルを上回る優れた精度を示している。
• MoTaVW難融性高エントロピー合金における複雑な欠陥の進化を的確に捉えており、一次放射線損傷後の空孔クラスターや自己間隙原子クラスタ一の形成を再現している。
• 高インデックス方向（⟨135⟩）における100-keVの一次ノックオン原子を用いた放射線損傷シミュレーションでは、140 psのシミュレーション時間にわたり、欠陥の生成およびクラスタリングを正しく予測している。
• 記述子空間の分析から、3成分以上および4成分の合金が補間点として適切に表現されていることが確認され、最小限のトレーニングデータ戦略の妥当性が裏付けられている。
• 訓練済みモデルおよびすべてのトレーニングデータは、Zenodo（DOI: 10.5281/zenodo.10081677）を通じて公開されており、GPUMD、PyNEP、および関連ツールのオープンソースコードも併せて提供されている。