[論文レビュー] Visualising Energy Landscapes Through Manifold Learning

Benjamin W. B. Shires, Chris J. Pickard|arXiv (Cornell University)|Nov 15, 2021

Machine Learning in Materials Science参考文献 73被引用数 2

ひとこと要約

この論文は、構造予測における高次元エネルギー準位の可視化を目的として、多様体学習に基づくStochastic Hyperspace Embedding and Projection (SHEAP) を導入する。SHEAPは、配置空間を解釈可能な低次元埋め込みに次元削減することで、Lennard-Jonesクラスター、固体状態炭素、C+H+N+O系において、畠のような内在的な低次元構造を効果的に明らかにし、局所的最小値のトポロジカルな組織について新たな知見を提供する。

ABSTRACT

Energy landscapes provide a conceptual framework for structure prediction, and a detailed understanding of their topological features is necessary to develop efficient methods for their exploration. The ability to visualise these surfaces is essential, but the high dimensionality of the corresponding configuration spaces makes this difficult. Here we present Stochastic Hyperspace Embedding and Projection (SHEAP), a method for energy landscape visualisation inspired by state-of-the-art algorithms for dimensionality reduction through manifold learning, such as t-SNE and UMAP. The performance of SHEAP is demonstrated through its application to the energy landscapes of Lennard-Jones clusters, solid-state carbon, and the quaternary system C+H+N+O. It produces meaningful and interpretable low-dimensional representations of these landscapes, reproducing well known topological features such as funnels, and providing fresh insight into their layouts. In particular, an intrinsic low dimensionality in the distribution of local minima across configuration space is revealed.

研究の動機と目的

• 構造予測における高次元エネルギー準位の可視化という課題に対処すること。
• 次元削減された空間において、畠や最小値の分布といったトポロジカル特徴を保持できる手法の開発。
• 複雑な配置空間における局所的最小値の分布の背後にある内在的低次元多様体を明らかにすること。
• 効率的な探索アルゴリズムの開発を支援する解釈可能な可視化を提供すること。

提案手法

• SHEAPは、t-SNE や UMAP にインspiredされた多様体学習の原則を用いて、高次元配置空間を低次元の可視化可能な空間に埋め込む。
• 局所的およびグローバルな幾何的関係をエネルギー準位で保持するために、確率的最適化を用いる。
• エネルギーと構造的類似性に基づいて、高次元の配置から低次元埋め込みへの確率的マッピングを構築する。
• 局所的最小値の分布の内在的幾何をモデル化するために、拡散に基づくアプローチを適用する。
• 局所的およびグローバル構造の両方の保持をバランスさせる尤度ベースの目的関数を用いて、埋め込みを最適化する。

実験結果

リサーチクエスチョン

• RQ1 多様体学習技術は、高次元エネルギー準位のトポロジカル特徴を効果的に可視化できるか？
• RQ2 複雑なエネルギー準位における局所的最小値の分布の内在次元は何か？
• RQ3 SHEAPは、Lennard-Jonesクラスターにおける畠といった既知の特徴をどれほど正確に再現できるか？
• RQ4 この手法は、固体状態炭素およびC+H+N+O系において、どの程度新たな構造的知見を明らかにできるか？

主な発見

• SHEAPは、Lennard-Jonesクラスターにおける畠などの重要なトポロジカル特徴を保持する低次元埋め込みを効果的に生成した。
• テストされたすべての系において、配置空間全体にわたる局所的最小値の分布に内在的な低次元性が明らかになった。
• 固体状態炭素およびC+H+N+O系の可視化では、最小値が一貫したクラスタリングを示しており、背後にある構造的秩序を示している。
• 埋め込みは最小値の配置と接続性に関する新たな知見を提供し、探索のための新たな経路の可能性を示唆している。