[논문 리뷰] Quantum machine learning in chemical compound space

Bing Huang, O. Anatole von Lilienfeld|arXiv (Cornell University)|2020. 12. 14.

Machine Learning in Materials Science인용 수 2

한 줄 요약

이 논문은 양자역학에 기반한 합성 데이터와 물리학에 영감을 받은 모델 아키텍처를 활용하여 화합물 공간(chemical compound space, CCS)의 가상 탐색을 가속화하는 양자 기계학습(Quantum Machine Learning, QML) 접근법을 검토한다. 우선원리의 정확성과 통계적 효율성을 결합함으로써 QML은 물리적 엄밀함을 유지하면서도 대규모 화합물 공간에서 새로운 분자 및 물질의 확장 가능하고 이식 가능하며 신뢰할 수 있는 발견을 가능하게 한다.

ABSTRACT

Chemical compound space (CCS), the set of all theoretically conceivable combinations of chemical elements and (meta-)stable geometries that make up matter, is colossal. The virtual exploration of this space for the design and discovery of novel molecules and materials exhibiting desirable properties is therefore generally prohibitive for all but the smallest sub-sets and simplest properties, and typically relies heavily on access to substantial allocations on modern high-performance computing hardware. We review studies aimed at tackling this challenge using modern machine learning techniques based on (i) synthetic data generated using quantum mechanics based methods and (ii) model architectures inspired by quantum mechanics. Such Quantum based Machine Learning (QML) approaches combine the advantages of a first principles view on matter, i.e.~reflecting properly the underlying physics which guarantees universality and transferability of models across all of CCS, with the numerical efficiency of statistical surrogate models. While state-of-the-art approximations to quantum problems impose severe computational bottlenecks, recent QML based developments indicate the possibility of substantial acceleration without sacrificing the rigour and reliability of a physics based understanding of trends and relationships throughout CCS.

연구 동기 및 목표

• 새로운 분자 및 물질을 위한 광범위한 화합물 공간(chemical compound space, CCS) 탐색의 금전적 비용이 지나치게 높은 문제를 해결하기 위해.
• 전통적인 고성능 컴퓨팅의 한계를 극복하기 위해 기계학습을 양자역학적 원리와 통합함으로써.
• 우선원리 물리학에 기반한 대체 모델을 활용해 CCS 전반에서 확장 가능하고 이식 가능하며 신뢰할 수 있는 발견을 가능하게 하기 위해.
• 정확성과 물리적 일관성을 유지하면서도 양자화학 근사치의 계산적 병목 현상을 줄이기 위해.

제안 방법

• 기계학습 모델을 훈련하기 위해 양자역학 기반 방법으로 생성된 합성 데이터셋을 사용한다.
• 물리적 일관성과 이식 가능성을 보장하기 위해 양자역학적 원리에서 영감을 받은 모델 아키텍처를 적용한다.
• 정확성과 계산 효율성의 균형을 이루기 위해 우선원리 양자화학과 통계적 대체 모델을 융합한다.
• 시알리드 방정식의 명시적 해법 없이도 복잡한 양자 성질을 근사하기 위해 현대 기계학습 기법을 활용한다.
• 물리적 대칭성과 보존 법칙을 통합하여 CCS 내 다양한 화학 조성과 기하학적 구조에 걸쳐 일반화할 수 있도록 모델을 설계한다.
• 신경망 아키텍처에 양자역학적 통찰을 통합하여 성능 예측의 보편성과 신뢰도를 보장한다.

실험 결과

연구 질문

• RQ1 QML 모델은 전체 화합물 공간에서 분자의 성질을 높은 정확도로 예측할 수 있는가?
• RQ2 물리학에 영감을 받은 아키텍처는 화합물 공간에서 기계학습 모델의 이식 가능성과 일반화 능력을 어떻게 향상시킬 수 있는가?
• RQ3 전통적인 양자화학 방법에 비해 QML은 얼마나 많은 계산 비용 절감을 이룰 수 있으며, 물리적 정확성을 유지할 수 있는가?
• RQ4 합성된 양자 데이터는 화합물 공간에서 훈련 세트를 초월해 일반화할 수 있는 모델을 효과적으로 훈련시킬 수 있는가?
• RQ5 우선원리 물리학은 대규모 화합물 공간 탐색에서 신뢰할 수 있고 보편적인 예측을 가능하게 하는 데 어떤 역할을 하는가?

주요 결과

• QML 접근법은 양자역학적 정확성과 통계적 효율성을 융합함으로써 화합물 공간의 확장 가능한 탐색을 가능하게 한다.
• 물리학에 통합된 모델 아키텍처는 다양한 화학 조성과 기하학적 형태에 걸쳐 이식 가능성과 보편성을 보장한다.
• 우선원리 방법에서 생성된 합성 양자 데이터는 기계학습 모델의 신뢰할 수 있고 포괄적인 훈련 데이터를 제공한다.
• 최근 QML의 발전은 정확성과 신뢰성에 손상을 주지 않으면서도 상당한 계산 가속을 이룬다.
• 양자역학과 기계학습의 통합은 모델의 물리적 일관성을 유지하면서도 대규모 화합물 공간에서 더 빠른 성질 예측을 가능하게 한다.
• QML 모델는 효율적인 대체 모델링을 통해 양자화학 근사치의 계산 병목 현상을 극복할 잠재력을 보여준다.