[论文解读] Accurate and scalable multi-element graph neural network force field and molecular dynamics with direct force architecture

Cheol Woo Park, Mordechai Kornbluth+4 more|arXiv (Cornell University)|Jul 28, 2020

Machine Learning in Materials Science被引用 16

一句话总结

该论文提出GNNFF，一种可扩展的图神经网络力场，通过直接利用局部原子环境的旋转协变、平移不变特征来预测原子受力。该方法在分子动力学模拟中实现了高精度与高效率，仅在小系统上进行训练后，即可准确预测Li7P3S11中锂离子的扩散行为，结果与从头算分子动力学（AIMD）的差异在14%以内。

ABSTRACT

Recently, machine learning (ML) has been used to address the computational cost that has been limiting ab initio molecular dynamics (AIMD). Here, we present GNNFF, a graph neural network framework to directly predict atomic forces from automatically extracted features of the local atomic environment that are translationally-invariant, but rotationally-covariant to the coordinate of the atoms. We demonstrate that GNNFF not only achieves high performance in terms of force prediction accuracy and computational speed on various materials systems, but also accurately predicts the forces of a large MD system after being trained on forces obtained from a smaller system. Finally, we use our framework to perform an MD simulation of Li7P3S11, a superionic conductor, and show that resulting Li diffusion coefficient is within 14% of that obtained directly from AIMD. The high performance exhibited by GNNFF can be easily generalized to study atomistic level dynamics of other material systems.

研究动机与目标

• 开发一种机器学习力场，以克服从头算分子动力学（AIMD）在材料模拟中的计算成本问题。
• 通过单一、可扩展的框架实现在多种材料体系中的精确受力预测。
• 确保模型能从小型训练体系泛化到大规模分子动力学模拟。
• 在多元素材料（包括超离子导体）中实现高精度与计算效率。
• 在复杂体系（如Li7P3S11）上展示该框架的能力，并与AIMD进行直接对比。

提出的方法

• GNNFF采用图神经网络处理原子环境，将原子作为节点，原子间相互作用作为边。
• 构建局部原子特征，使其具有平移不变性和旋转协变性，以保持物理对称性。
• 模型直接从这些几何特征预测原子受力，无需能量最小化或后处理。
• 通过在小系统上基于密度泛函理论（DFT）计算的受力数据，端到端训练该架构。
• 通过编码元素种类和局部配位环境，使框架支持多元素体系。
• 通过高效的消息传递机制和不变特征工程实现可扩展性，支持大规模分子动力学模拟。

实验结果

研究问题

• RQ1 在小系统上训练的图神经网络力场能否在大规模分子动力学模拟中准确预测受力？
• RQ2 与需要能量建模的传统机器学习力场相比，该直接受力预测架构在精度和效率方面表现如何？
• RQ3 该模型在不同材料体系（包括Li7P3S11等多元素体系）上的泛化能力如何？
• RQ4 与从头算分子动力学相比，该模型预测超离子导体中锂离子扩散系数的精度如何？
• RQ5 特征表示中的旋转协变性和平移不变性在多大程度上影响模型性能？

主要发现

• GNNFF在多种材料体系中均实现了高精度的受力预测，性能可与从头算方法相媲美。
• 该模型准确预测了Li7P3S11中的锂离子扩散系数，与直接从头算分子动力学获得的值相差仅14%。
• 在仅用小系统受力数据进行训练后，GNNFF成功实现了高保真度的大规模分子动力学模拟。
• 直接受力预测架构的推理速度优于基于能量的模型，显著提升了计算效率。
• 该框架在多元素体系中表现出良好的泛化能力，展现了在不同化学环境下的鲁棒性。
• 采用旋转协变、平移不变的特征显著提升了物理一致性与泛化能力。