[논문 리뷰] Towards Exact Molecular Dynamics Simulations with Machine-Learned Force Fields

Stefan Chmiela, Huziel E. Sauceda외 2명|RePEc: Research Papers in Economics|2018. 02. 26.

Machine Learning in Materials Science인용 수 9

한 줄 요약

이 논문은 분자 시스템에서 공간적 및 시간적 물리적 대칭성을 자동으로 발견하고 강제 적용함으로써 기계학습된 힘장력을 구축하는 데이터 기반 방법인 대칭화된 기울기 도메인 기계학습(sGDML)을 소개한다. 이 방법은 분자에 최대 몇십 개의 원자가 있을 때까지 CCSD(T) 수준의 힘장력 정확도를 달성함으로써 고수준의 전산 화학 계산 방법의 계산적 한계를 극복하고, 스펙트로스코픽 정확도를 갖춘 완전한 양자화 분자 동역학 시뮬레이션을 가능하게 한다.

ABSTRACT

Molecular dynamics (MD) simulations employing classical force fields constitute the cornerstone of contemporary atomistic modeling in chemistry, biology, and materials science. However, the predictive power of these simulations is only as good as the underlying interatomic potential. Classical potentials often fail to faithfully capture key quantum effects in molecules and materials. Here we enable the direct construction of flexible molecular force fields from high-level ab initio calculations by incorporating spatial and temporal physical symmetries into a gradient-domain machine learning (sGDML) model in an automatic data-driven way. The developed sGDML approach faithfully reproduces global force fields at quantum-chemical CCSD(T) level of accuracy and allows converged molecular dynamics simulations with fully quantized electrons and nuclei. We present MD simulations, for flexible molecules with up to a few dozen atoms and provide insights into the dynamical behavior of these molecules. Our approach provides the key missing ingredient for achieving spectroscopic accuracy in molecular simulations.

연구 동기 및 목표

• 기계학습된 힘장력 구축을 통해 고전적 힘장력의 정확도 한계를 극복하는 것.
• 더 큰 분자에 대해 직접적인 백이터미션 분자 동역학 (AIMD)이 계산적으로 불가능한 문제를 해결하기 위해 기계학습을 활용해 고수준 양자화학적 힘을 근사하는 것.
• 사전 지식 없이도 분자 구조에서 공간적 및 시간적 물리적 대칭성을 자동으로 발견하고 강제 적용하는 방법을 개발하는 것.
• 기계학습된 힘장력으로 전자 및 원자핵이 완전히 양자화된 상태에서 수렴된 경로 적분 분자 동역학 (PIMD) 시뮬레이션을 수행하는 것.
• 최소한의 고수준 백이터미션 계산 데이터 포인트를 기반으로 훈련하면서 대칭성 이용을 통해 데이터 효율성을 극대화함으로써 스펙트로스코픽 정확도를 달성하는 분자 동역학를 실현하는 것.

제안 방법

• sGDML 모델은 다중 부분 매칭 알고리즘을 사용하여 다양한 기하 구조에서 분자 구형 간의 전역적으로 일관된 원자-원자 할당을 복원함으로써, 다양한 기하 구조에서 대칭성 탐지를 가능하게 한다.
• 훈련된 분자의 모든 대칭 변형을 통합하는 대칭 핵함수를 제안함으로써, 추가적인 계산 비용 없이 완전히 대칭화된 데이터셋을 훈련시킬 수 있다.
• 핵심은 인접 행렬의 고유벡터 오버랩을 기반으로 한 비용 행렬이며, 서로 다른 원자 종류의 잘못된 매칭을 방지하기 위한 페널티 항이 포함되어 있다.
• 쌍별 매칭의 전이 폐쇄를 통해 핵함수를 구성함으로써 전체 훈련 세트에서 일관된 대칭성 강제를 보장한다.
• 원자 순열에 대한 등변성과 일반화 성능 향상을 위해 대칭화된 헤시안 핵함수를 사용하는 기울기 도메인 기계학습(GDML)을 적용한다.
• 경로 적분 분자 동역학(PIMD)을 sGDML 모델과 함께 사용하여 양자적 원자핵 효과를 포함시키며, 1 ns 동안 0.2 fs 시간 간격으로 시뮬레이션을 수행하여 수렴성을 확보한다.

실험 결과

연구 질문

• RQ1 기계학습 모델은 사전 구조 지식 없이 분자 구조에서 물리적 대칭성을 자동으로 탐지하고 강제 적용할 수 있는가?
• RQ2 데이터 기반의 대칭성 탐지 접근법은 제한된 수의 고수준 백이터미션 계산에서 고정밀도 힘장력 구축을 가능하게 할 수 있는가?
• RQ3 sGDML은 몇십 개의 원자가 있는 분자에 대해 계산적으로 실현 가능한 상태에서 CCSD(T) 수준의 힘 예측 정확도를 달성할 수 있는가?
• RQ4 핵함수 구성에 물리적 대칭성을 포함시키는 것이 힘장력의 일반화 및 이식 가능성에 상당한 영향을 미치는가?
• RQ5 기계학습된 힘장력으로 최소한의 백이터미션 데이터에서 훈련된 상태에서 전자 및 원자핵이 완전히 양자화된 상태에서 수렴된 분자 동역학 시뮬레이션을 달성할 수 있는가?

주요 결과

• sGDML 모델은 CCSD(T) 기준 계산 결과와 비교해 유사한 힘장력 정확도를 달성하여 스펙트로스코픽 정확도를 갖춘 분자 동역학 시뮬레이션을 가능하게 한다.
• 이 방법은 분자 그래프에 대한 데이터 기반 자동 매칭 절차를 통해 분자 시스템에서 공간적 및 시간적 대칭성을 성공적으로 탐지하고 강제 적용한다.
• 에탄올에 대해 16개의 베드를 사용하여 1 ns 동안 경로 적분 분자 동역학 시뮬레이션을 수행함으로써 양자적 원자핵 효과를 포함한 수렴된 결과를 확보하였다.
• 대칭성 이용을 통해 고수준 백이터미션 계산의 필요 수를 줄임으로써 데이터 효율성과 일반화 능력을 극대화한다.
• 제한된 데이터로 훈련된 상태에서도 유사한 크기와 구조를 가진 분자 간에 예측의 이식 가능성을 확보한다.
• 대칭 핵함수 구성은 원자 순열에 대한 등변성을 보장하여 모델의 강건성과 정확도를 향상시킨다.