[논문 리뷰] MatterSim: A Deep Learning Atomistic Model Across Elements, Temperatures and Pressures

Han Yang, Chenxi Hu외 20명|arXiv (Cornell University)|2024. 05. 08.

Machine Learning in Materials Science인용 수 74

한 줄 요약

MatterSim은 첫-principles 데이터로부터 능동 학습으로 학습된 보편적 심층 학습 원자 모형으로, 원소, 온도(0–5000 K), 압력(0–1000 GPa) 전역에서 에너지, 힘, 응력을 예측하며 거의 첫-principles 수준의 정확도를 달성하고 제로샷 MD 및 상전이 다이어그램 예측을 가능하게 한다.

ABSTRACT

Accurate and fast prediction of materials properties is central to the digital transformation of materials design. However, the vast design space and diverse operating conditions pose significant challenges for accurately modeling arbitrary material candidates and forecasting their properties. We present MatterSim, a deep learning model actively learned from large-scale first-principles computations, for efficient atomistic simulations at first-principles level and accurate prediction of broad material properties across the periodic table, spanning temperatures from 0 to 5000 K and pressures up to 1000 GPa. Out-of-the-box, the model serves as a machine learning force field, and shows remarkable capabilities not only in predicting ground-state material structures and energetics, but also in simulating their behavior under realistic temperatures and pressures, signifying an up to ten-fold enhancement in precision compared to the prior best-in-class. This enables MatterSim to compute materials' lattice dynamics, mechanical and thermodynamic properties, and beyond, to an accuracy comparable with first-principles methods. Specifically, MatterSim predicts Gibbs free energies for a wide range of inorganic solids with near-first-principles accuracy and achieves a 15 meV/atom resolution for temperatures up to 1000K compared with experiments. This opens an opportunity to predict experimental phase diagrams of materials at minimal computational cost. Moreover, MatterSim also serves as a platform for continuous learning and customization by integrating domain-specific data. The model can be fine-tuned for atomistic simulations at a desired level of theory or for direct structure-to-property predictions, achieving high data efficiency with a reduction in data requirements by up to 97%.

연구 동기 및 목표

• 실제 온도 및 압력 조건에서 주기율표 전체에 걸쳐 재료 특성의 정확하고 빠른 예측 필요성에 대응한다.
• 대규모 첫-principles 데이터로 학습된 보편적 ML 기반 원자 간 상호작용 모델을 개발한다.
• 제로샷 시뮬레이션과 지속적 학습을 통해 일반화 및 데이터 효율성을 향상시킨다.

제안 방법

• 0–5000 K 및 0–1000 GPa 하에서 원자 시스템을 모델링하기 위해 딥 그래프 뉴럴 네트워크(M3GNet 및 Graphormer 백본) 사용.
• 다양하고 고해상도 데이터셋(~1700만 구조)을 큐레이션하기 위해 첫-principles 감독(PBE+U) 및 앙상블 불확실성 모니터를 갖춘 능동 학습을 활용.
• 에너지, 힘, 응력에 대해 높은 정확도(MAE 약 36 meV/원자, MPF-TP에서)로 제로샷 MLFF를 제공.
• 에너지, 힘, 및 응력의 퍼포먼스를 위한 공개 데이터셋 및 새로운 벤치마크(MPF-TP, Random-TP, MatBench Discovery)에서의 기준값과 기계적 특성, 음향 진동의 벤치마킹.
• 다른 이론 수준에 맞게 데이터 효율적인 맞춤화를 위한 미세조정/파인튜닝(예: 물의 rev-PBE0-D3) 가능성과 맞춤형 접근법을 보여준다.

실험 결과

연구 질문

• RQ1 MatterSim이 거의 모든 원소에 대해 넓은 온도 및 압력 범위에서 재료의 에너지, 힘, 응력을 신뢰성 있게 예측할 수 있는가?
• RQ2 능동 학습과 다양한 데이터 커버리지가Relaxation-trajectory 데이터셋을 넘어 일반화에 어떤 도움을 주는가?
• RQ3 Finite T 및 P 하에서 Gibbs 자유 에너지 및 상 다이어그램과 같은 열역학적 특성의 예측에서 MatterSim의 정확도는 어떠한가?
• RQ4 제로샷 MD, 재료 발견 및 엔드-투-엔드 특성 예측에서 MatterSim의 효과는 얼마나 되는가?

주요 결과

• MatterSim은 고온/고압 데이터셋(MPF-TP 및 Random-TP)에서 기존의 보편 MLFF 대비 최대 10배의 정확도 향상을 달성한다.
• 에너지, 힘, 응력에 대한 제로샷 예측은 MPF-TP에서 MAE 약 36 meV/원자에 도달하며 자유 에너지 예측에서 거의 첫-principles에 버금가는 정확도(1000 K까지 10 meV/원자 미만)와 실험 대비 MAE 15 meV/원자를 보인다.
• 능동 학습으로 0–5000 K 및 0–1000 GPa에 걸친 약 1,700만 개의 라벨링된 구조를 얻었으며 Relaxation 기반 데이터베이스보다 더 넓은 화학적·구조적 커버리지를 제공한다; 볼록 껍질 위 또는 그 아래에 16,399개 구조를 발견했고 그 중 1,974개는 신규 구조이다.
• MatterSim은 재료 발견을 신속하게 가능하게 하며 껍질의 71% 기여를 차지하는 5,213개의 RSS 유래 물질과 고처리량 선별 능력을 보여준다.
• Phonon 예측 MAE 약 0.87 THz(PhononDB 대비); 0 K에서 벌크 모듈러스 MAE 약 2.47 GPa, 1000 K까지의 온도 의존성에 대해 MAE 약 0.97 GPa; MgO의 B1–B2 상 경계가 실험 및 첫-principles 데이터와 넓은 T–P 범위에서 일치합니다.
• Gibbs 자유 에너지 예측은 1000 K까지 10 meV/원자 미만의 정확도 달성, 실험 대비 MAE 약 15 meV/원자; MgO 및 Si에 대해 QHA 하에서의 상 다이어그램 시연.