[論文レビュー] Ultra-fast interpretable machine-learning potentials

Stephen Xie, Matthias Rupp+1 more|arXiv (Cornell University)|Oct 1, 2021

Machine Learning in Materials Science参考文献 57被引用数 6

ひとこと要約

本稿では、立方スプライン基底関数と正則化線形回帰を組み合わせることで、従来の経験的ポテンシャル（例：Morse、Lennard-Jones）と同等の計算速度を実現しながら、最先端の機械学習ポテンシャルと同等の精度を維持する、超高速で解釈可能な機械学習ポテンシャル（UF 2,3）を提案する。この手法により、長時間スケールにおける大規模系の全原子ダイナミクスシミュレーションが可能となり、力やフォノンスペクトル、弾性定数、融点といった物理的性質が密度汎関数理論（DFT）の基準値と一致する。

ABSTRACT

All-atom dynamics simulations are an indispensable quantitative tool in physics, chemistry, and materials science, but large systems and long simulation times remain challenging due to the trade-off between computational efficiency and predictive accuracy. To address this challenge, we combine effective two- and three-body potentials in a cubic B-spline basis with regularized linear regression to obtain machine-learning potentials that are physically interpretable, sufficiently accurate for applications, as fast as the fastest traditional empirical potentials, and two to four orders of magnitude faster than state-of-the-art machine-learning potentials. For data from empirical potentials, we demonstrate exact retrieval of the potential. For data from density functional theory, the predicted energies, forces, and derived properties, including phonon spectra, elastic constants, and melting points, closely match those of the reference method. The introduced potentials might contribute towards accurate all-atom dynamics simulations of large atomistic systems over long time scales.

研究の動機と目的

• 原子的シミュレーションにおける速度と精度のトレードオフを克服し、計算が極めて高速で物理的に解釈可能な機械学習ポテンシャルを開発すること。
• 経験的ポテンシャルの高速性と機械学習ポテンシャルの精度を組み合わせることで、長時間スケールにおける大規模全原子ダイナミクスシミュレーションを可能にすること。
• 柔軟なBスプライン基底関数を用いて、有効な2体および3体相互作用に基づく解釈可能な線形モデルのトレーニングフレームワークを提供すること。
• 提案手法が、力、フォノンスペクトル、弾性定数、融点といった重要な物理的性質を、DFTに近い精度で予測できることを実証すること。
• LAMMPS や GROMACS などの主要な分子動力学ソフトウェアとの互換性を持つテーブル化された力場として、学習済みポテンシャルを公開すること。

提案手法

• 本手法は、有効な2体および3体ポテンシャルを表現するための立方スプライン基底関数を用い、エネルギーおよび力データの滑らかで柔軟かつ微分可能な補間を可能にする。
• 経験的ポテンシャルまたは密度汎関数理論（DFT）からの参照データに、正則化線形回帰を適用してスプライン係数をフィッティングする。
• 多体展開を2体および3体項までに制限し、計算効率を高めるために高次項を省略する。
• DFT や経験的ポテンシャルからのデータを用いてモデルをトレーニングし、経験的ポテンシャルデータで学習した場合には、元のポテンシャルを正確に再構成できる。
• 得られたポテンシャルは、LAMMPS、GROMACS およびその他のMDパッケージと互換性のあるルックアップテーブル形式でエクスポートされ、CPUおよびGPU上で高速に評価可能である。
• 要素種別を含めるためにBスプライン基底関数を容易に拡張することで、多成分系への対応を可能にする。

Figure 1: Trade-off between prediction error and computational cost of evaluating machine-learning potentials. Prediction errors are relative to the underlying electronic-structure reference method (disk). Ultra-fast potentials (this work, stars) with two-body (UF 2 ) and three-body (UF 2,3 ) terms

実験結果

リサーチクエスチョン

• RQ1 線形の機械学習ポテンシャルを設計することで、従来の経験的ポテンシャルの速度と最先端の機械学習ポテンシャルの精度の両方を達成できるか。
• RQ2 2体および3体項のような解釈可能な物理的動機付けを持つ関数形とBスプライン基底関数を組み合わせることで、最小限のパrameter数で参照DFTデータをどれほど正確に再現できるか。
• RQ3 超高速ポテンシャルが予測する物理的性質（フォノンスペクトル、弾性定数、融点など）は、DFTや他の機械学習ポテンシャルと比べてどの程度一致するか。
• RQ4 精度と計算効率を維持したまま、多成分系へ一般化可能か。
• RQ5 異なる系のサイズにおいて、超高速ポテンシャルの計算コストは、既存の機械学習ポテンシャルおよび経験的ポテンシャルと比べてどの程度か。

主な発見

• 超高速ポテンシャル（UF 2,3）は、最も高速な経験的ポテンシャル（例：Morse、Lennard-Jones）と同等の計算速度を達成しており、AMD EPYC 7702 CPU上で0.76–2.03 ms/ステップのベンチマークコストを示している。
• 経験的ポテンシャルデータで学習した場合、モデルは元のポテンシャルを正確に再構成でき、その表現の忠実性が確認された。
• DFT由来のトレーニングデータに対しては、予測されたエネルギー、力、フォノンスペクトル、弾性定数、融点がすべて参照DFT結果とよく一致し、高い精度が示された。
• UF 2,3ポテンシャルが予測する融点（3650 K）は、DFT基準値（3650 K）と非常に良好に一致しており、熱力学的精度が妥当であることが裏付けられた。
• UF 2,3ポテンシャルを用いて計算された弾性定数およびフォノン分散関係は、DFTと強く一致しており、機械的および振動的精度が確認された。
• 本手法により、2048原子のような大規模系の全原子ダイナミクスシミュレーションが長時間スケールで正確に可能となり、二相系の融点計算が成功したことで実証された。

Figure 2: B-spline basis set for pair potentials. A) Ten weighted B-splines after fitting ( $B^{*}_{n}=c_{n}B_{n}(r)$ , solid curves) and their ranges of support. Their sum is the fitted pair potential ( $V(r)$ , blue curve). In this example, knots $t_{n}$ are selected with uniform spacing and illus