[論文レビュー] Machine learning based prediction of the electronic structure of quasi-one-dimensional materials under strain

Shashank Pathrudkar, Hsuan Ming Yu+2 more|arXiv (Cornell University)|Feb 2, 2022

Machine Learning in Materials Science参考文献 125被引用数 9

ひとこと要約

本論文は、ヘリカル座標と対称性に配慮した表現を用いて、ひずみを受ける一次元に近い材料（例えばカーボンナノチューブ）の電子構造を予測する機械学習モデルを提示する。約120点のDFTで生成されたデータポイントのみで訓練することで、電子密度および擬似電荷場を高精度に予測でき、バンドギャップなどの性質の化学的精度に達する後処理が可能であり、原子位置やバンドギャップ位置を直接予測するニューラルネットワーク予測よりも優れた性能を示す。

ABSTRACT

We present a machine learning based model that can predict the electronic structure of quasi-one-dimensional materials while they are subjected to deformation modes such as torsion and extension/compression. The technique described here applies to important classes of materials such as nanotubes, nanoribbons, nanowires, miscellaneous chiral structures and nano-assemblies, for all of which, tuning the interplay of mechanical deformations and electronic fields is an active area of investigation in the literature. Our model incorporates global structural symmetries and atomic relaxation effects, benefits from the use of helical coordinates to specify the electronic fields, and makes use of a specialized data generation process that solves the symmetry-adapted equations of Kohn-Sham Density Functional Theory in these coordinates. Using armchair single wall carbon nanotubes as a prototypical example, we demonstrate the use of the model to predict the fields associated with the ground state electron density and the nuclear pseudocharges, when three parameters - namely, the radius of the nanotube, its axial stretch, and the twist per unit length - are specified as inputs. Other electronic properties of interest, including the ground state electronic free energy, can then be evaluated with low-overhead post-processing, typically to chemical accuracy. We also show how the nuclear coordinates can be reliably determined from the pseudocharge field using a clustering based technique. Remarkably, only about 120 data points are found to be enough to predict the three dimensional electronic fields accurately, which we ascribe to the symmetry in the problem setup, the use of low-discrepancy sequences for sampling, and presence of intrinsic low-dimensional features in the electronic fields. We comment on the interpretability of our machine learning model and discuss its possible future applications.

研究の動機と目的

• 機械的ひずみを受ける準一次元材料における電子場を予測するデータ効率の良い機械学習フレームワークの開発。
• 従来の機械学習モデルが要請する高次元データを、材料のグローバルな構造的対称性と電子場の内在的な低次元的特徴を活用することで低減。
• 予測された電子場からの最小限の後処理で、バンドギャップ位置や自由エネルギーといった電子的性質を高精度に予測可能にする。
• クラスタリングに基づく核座標回復法と直接ニューラルネットワーク回帰の性能を比較・検証し、原子位置予測において優れた正確性を示す。

提案手法

• モデルは、カーボンナノチューブなどの準一次元材料の幾何的対称性を埋め込むために、ヘリカル座標を用いて電子場をパラメータ化する。
• 特殊なデータ生成パイプラインを採用し、ヘリカル座標における対称性に適合したKohn-Sham密度汎関数理論方程式を解く。
• 3つの入力パラメータ（平均半径 Ravg、軸方向の伸び α、単位長さあたりのねじれ角 τ）から、基底状態の電子密度（N1）と核の擬似電荷（N2）を予測する2ヘッドのニューラルネットワークアーキテクチャを採用。
• 低不規則性シーケンス（ハマースレー列）を用いてパラメータ空間を効率的にサンプリングし、データ要件を約120点にまで低減。
• 原子座標は、局所的かつ球対称的な原子電荷分布の性質を活かして、DBSCANクラスタリングを用いて予測された擬似電荷場から回復。
• 過学習を防ぐために、ReLU活性化関数、学習率0.001のAdam最適化、早期停止（忍耐度1000）、およびエラスティックネット正則化（λ1 = λ2 = 10−5）を用いる。

実験結果

リサーチクエスチョン

• RQ1 最小限のデータで、ひずみを受ける準一次元材料の3次元電子場を機械学習モデルが正確に予測できるか？
• RQ2 グローバルな構造的対称性とヘリカル座標を組み込むことで、局所的原子環境記述子と比較して、データ効率と予測精度がどのように向上するか？
• RQ3 クラスタリングを用いて予測された擬似電荷場から核座標を信頼性高く再構築できるか？また、直接ニューラルネットワーク回帰と比較してどうなるか？
• RQ4 予測された電子場の後処理によって、化学的精度でバンドギャップ位置が得られるか？また、直接ニューラルネットワークによるバンドギャップインデックス予測と比較してどうなるか？
• RQ5 高精度な予測を達成するために必要な最小のトレーニングデータポイント数は何か？また、この低データ要件に寄与する要因は何か？

主な発見

• 本モデルは、わずか約120のトレーニングデータポイントのみで、予測された電子密度および擬似電荷から、基底状態の電子的自由エネルギーといった電子的性質を化学的精度で予測する。
• 擬似電荷場から核座標を回復するクラスタリングベースの手法は、直接ニューラルネットワーク回帰を上回り、予測された核位置の誤差が顕著に低い。
• 本モデルは、ひずみを受けるアームチェア型カーボンナノチューブにおけるバンドギャップ位置（νインデックス）のシフトを正しく捉えており、未知のRavg、α、τに対しても多様なテストケースでDFT結果と一致する。
• バンドギャップ位置の循環的対称性インデックス（ν）を直接ニューラルネットワークで予測する方法は、誤差が大きくなる（例：DFTの2.00と比較して1.82）一方、後処理アプローチはDFT値から±0.1～0.3 Bohrの範囲内で正確性を維持する。
• 対称性に配慮したヘリカル座標と低不規則性サンプリングの使用により、高いデータ効率が実現され、最適化されたアーキテクチャにおいて、テスト誤差がρ場で10−5、b場で10−4にまで低下する。