[論文レビュー] Learning a reactive potential for silica-water through uncertainty attribution

Swagata Roy, Johannes P. Dürholt+3 more|arXiv (Cornell University)|Jul 4, 2023

Machine Learning in Materials Science被引用数 4

ひとこと要約

本論文は、40万件の分子クラスターのDFT計算エネルギーおよび力に基づいてトレーニングされた、酸化ケイ素-水系の機械学習反応的原子間ポテンシャルを提示する。独創的な不確実性付与に基づくアクティブラーニング戦略を用いて、液体水および結晶性酸化ケイ素の動的・静的性質を正確に予測し、強化されたサンプリングシミュレーションを通じて水溶液中におけるケイ酸塩ジマー化のフラッキング機構を解明した。

ABSTRACT

The reactivity of silicates in an aqueous solution is relevant to various chemistries ranging from silicate minerals in geology, to the C-S-H phase in cement, nanoporous zeolite catalysts, or highly porous precipitated silica. While simulations of chemical reactions can provide insight at the molecular level, balancing accuracy and scale in reactive simulations in the condensed phase is a challenge. Here, we demonstrate how a machine-learning reactive interatomic potential can accurately capture silicate-water reactivity. The model was trained on a new dataset comprising 400,000 energies and forces of molecular clusters at the $ω$-B97XD def2-TVZP level. To ensure the robustness of the model, we introduce a new and general active learning strategy based on the attribution of the model uncertainty, that automatically isolates uncertain regions of bulk simulations to be calculated as small-sized clusters. Our trained potential is found to reproduce static and dynamic properties of liquid water and solid crystalline silicates, despite having been trained exclusively on cluster data. Furthermore, we utilize enhanced sampling simulations to recover the self-ionization reactivity of water accurately, and the acidity of silicate oligomers, and lastly study the silicate dimerization reaction in a water solution at neutral conditions and find that the reaction occurs through a flanking mechanism.

研究の動機と目的

• スケールに応じた複雑な水相化学を捉えることのできる、微分可能で反応性のある機械学習原子間ポテンシャルを、酸化ケイ素-水系に開発すること。
• ケイ酸塩の反応的凝縮相シミュレーションにおいて、精度とシミュレーションスケールのバランスをとる課題を克服すること。
• 明示的溶媒中におけるプロトン移動、水の自己イオン化、ケイ酸塩オリゴマー化の正確なモデリングを可能にすること。
• 大規模シミュレーションにおけるDFT再トレーニングを効率的に行うために、不確実性付与に基づく一般化されたアクティブラーニング戦略を導入すること。
• 実験的物理的・化学的性質（水および酸化ケイ素の）をモデルと照合し、中性水溶液中におけるケイ酸塩ジマー化のメカニズムを解明すること。

提案手法

• ω-B97XD/def2-TZVPレベルで計算された、酸化ケイ素および水の分子クラスターの40万件のDFTエネルギーおよび力のデータセットを用いて、グラフニューラルネットワークポテンシャルをトレーニングする。
• ボトムアップシミュレーションにおける高不確実性領域を特定するため、敵対的攻撃を用いた不確実性付与による、独創的なアクティブラーニングループを実装する。
• トレーニング済みのポテンシャルを用いて、アンブルバルシングおよびマルチステート・ベンネット受容率（MBAR）解析を含む、強化されたサンプリング技術を用いた長時間スケールの分子動力学的シミュレーションを実行する。
• 平均二乗変位（MSD）を用いて拡散係数を計算し、有限サイズ補正項を用いて無限大系サイズへの外挿を行う。
• 5個のビードを用いたリングポリマーMD（RPMD）シミュレーションにおける速度自己相関関数から、振動状態密度（VDOS）を計算する。
• 反応物と生成物状態間の自由エネルギー差（ΔF）を用いて、pKa値を計算する関係式 pKa = ΔF / (kB T × 2.3026) を用いる。

Figure 1: Training dataset and active learning method . a) Distribution of data based on data source - Cluster: silicate and water clusters based on random position guesses. Opt: molecule clusters optimized at a lower level of DFT theory or X-TB. AL: data produced through active learning and NEB: tr

実験結果

リサーチクエスチョン

• RQ1 中性水溶液中におけるオルトケイ酸のジマー化機構は何か？ これはS_N2裏面攻撃経路ではなく、フラッキング経路を経由するのか？
• RQ2 小さな分子クラスターにのみトレーニングされた機械学習ポテンシャルが、ボトムアップ液体水および結晶性酸化ケイ素の物理的・化学的性質を正確に再現できるか？
• RQ3 大規模シミュレーションにおける不確実性を効果的に付与し、ab initioデータを用いたアクティブラーニングを誘導する方法は何か？
• RQ4 モデルが水の自己イオン化およびケイ酸塩オリゴマーの酸性度をどの程度正確に再現できるか？
• RQ5 このポテンシャルは、α-石英およびFAUゼオライトの弾性定数および構造的性質を、材料レベルの予測に十分な精度で予測できるか？

主な発見

• トレーニング済みのニューラルネットワークポテンシャルは、液体水の拡散係数（1.02 × 10⁻⁵ cm²/s）および有限サイズ補正値（1.04 × 10⁻⁵ cm²/s）を実験値とよく一致して再現した。
• モデルは水の振動状態密度（VDOS）を高い忠実度で予測し、O–H伸張振動および曲げ振動モードといった実験的特徴を再現した。
• 計算された水の平衡密度（0.998 g/cm³）は、300 Kにおける実験値（0.997 g/cm³）と非常によく一致した。
• NNIPアンサンブルを用いて計算されたα-石英およびFAUゼオライトの弾性定数は、実験値から5%以内に収まり、正確な機械的応答予測を示した。
• 水のpKaは14.03（ΔF = 77.8 kJ/mol）と正しく特定され、実験値の14.00と一致した。
• 強化されたサンプリングシミュレーションにより、中性水溶液中におけるケイ酸塩ジマー化がS_N2裏面攻撃ではなく、フラッキング機構を経由して進行することが明らかになった。これは長年のメカニズム的曖昧さを解消した。

Figure 2: Properties of water . a) O-O and b) O-H radial distribution functions at 300 K calculated by NVT simulations with our NNIP and compared to experimental and GM-NN potentials’ results.NNIP: our Neural network inter-atomic potential; EXP: experimental data; revPBE-bulk: GM-NN potential traine