[论文解读] Localized Coulomb Descriptors for the Gaussian Approximation Potential

James Barker, Johannes Bulin+2 more|arXiv (Cornell University)|Nov 16, 2016

Machine Learning in Materials Science参考文献 5被引用 5

一句话总结

该论文提出了一种基于库仑矩阵的局部化库仑（LC）描述符，用于高斯近似势（GAP）框架，实现了精确且高效的机器学习势能。LC-GAP在预测大于训练集中分子的离解能时达到化学精度，其中简化的库仑描述符实现了线性缩放，并在性能上优于二次缩放的替代方法。

ABSTRACT

We introduce a novel class of localized atomic environment representations, based upon the Coulomb matrix. By combining these functions with the Gaussian approximation potential approach, we present LC-GAP, a new system for generating atomic potentials through machine learning (ML). Tests on the QM7, QM7b and GDB9 biomolecular datasets demonstrate that potentials created with LC-GAP can successfully predict atomization energies for molecules larger than those used for training to chemical accuracy, and can (in the case of QM7b) also be used to predict a range of other atomic properties with accuracy in line with the recent literature. As the best-performing representation has only linear dimensionality in the number of atoms in a local atomic environment, this represents an improvement both in prediction accuracy and computational cost when considered against similar Coulomb matrix-based methods.

研究动机与目标

• 开发一类新型的局部原子环境表征方法，以提高机器学习势能的效率和精度。
• 通过引入线性可扩展的描述符，解决现有基于库仑矩阵方法的高计算成本问题。
• 实现对大于训练集中分子的离解能及其他分子性质的精确预测。
• 研究分子数据集中数据冗余对势能训练和泛化能力的影响。
• 在标准基准数据集（包括 QM7、QM7b 和 GDB9）上展示 LC-GAP 的有效性。

提出的方法

• 本文提出了一种基于库仑矩阵的局部化库仑（LC）描述符，通过原子间库仑相互作用编码原子环境。
• 提出了三种变体：完整库仑矩阵、排序库仑矩阵和简化库仑描述符，其中后者在原子数上实现线性缩放。
• 将这些描述符集成到高斯近似势（GAP）框架中，用于训练预测原子能量的机器学习势能。
• 在 GAP 框架中采用核岭回归方法，以 LC 描述符作为回归的输入特征。
• 在 QM7、QM7b 和 GDB9 数据集上进行交叉验证，以评估泛化能力和精度。
• 进行逐原子贡献分析，以研究训练数据中的冗余性和数值稳定性。

实验结果

研究问题

• RQ1 与现有基于库仑矩阵的方法相比，局部化库仑描述符是否能提高机器学习势能的精度和效率？
• RQ2 具有线性缩放特性的简化库仑描述符是否在预测性能上优于二次缩放的替代方法？
• RQ3 在较小分子上训练的 LC-GAP 势能是否能对更大、未见的分子实现高精度的能量预测？
• RQ4 原子对离解能的贡献如何分布？这对基准数据集中数据冗余的含义是什么？
• RQ5 LC-GAP 是否能在包括 QM7b 和 GDB9 在内的多样化分子数据集上实现化学精度？

主要发现

• 在 QM7b 数据集上，采用简化库仑描述符的 LC-GAP 实现了约 1.00 kcal/mol 的平均绝对误差（MAE），达到化学精度。
• 在 GDB9 数据集上，LC-GAP 实现了 0.78 kcal/mol 的 MAE，远低于化学精度阈值。
• 尽管具有线性缩放特性，简化库仑描述符在所有测试情况下表现与或优于二次缩放描述符。
• 在较小分子上训练的 LC-GAP 势能能对更大分子实现高精度的离解能预测，表现出强大的泛化能力。
• 逐原子贡献分析显示，氢原子的贡献紧密聚集在 -70 kcal/mol 附近，表明 QM7 数据集中存在高度的数据冗余。
• 研究结果表明，数据冗余会导致协方差矩阵病态，采用低秩近似或数据集稀疏化等技术可提升训练的稳定性和效率。