[论文解读] Machine learned Force-Fields for an ab-initio Quality Description of Metal-Organic Frameworks

Sandro Wieser, Egbert Zojer|arXiv (Cornell University)|Aug 2, 2023

Machine Learning in Materials ScienceMaterials Science被引用 3

一句话总结

本文提出两种高度精确、计算高效的机器学习力场——基于矩张量和基于核的势能模型——用于金属-有机框架（MOFs）。通过在从第一原理参考数据中生成的主动学习分子动力学上进行训练，这些力场在力、结构参数、弹性常数、声子能带结构和热导率方面均实现了接近密度泛函理论（DFT）的精度，优于经典力场，同时保持了高效率。

ABSTRACT

Metal-organic frameworks (MOFs) are an incredibly diverse group of highly porous hybrid materials, which are interesting for a wide range of possible applications. For a reliable description of many of their properties accurate computationally highly efficient methods, like force-field potentials (FFPs), are required. With the advent of machine learning approaches, it is now possible to generate such potentials with relatively little human effort. Here, we present a recipe to parametrize two fundamentally different types of exceptionally accurate and computationally highly efficient machine learned potentials, which belong to the moment-tensor and kernel-based potential families. They are parametrized relying on reference configurations generated in the course of molecular dynamics based, active learning runs and their performance is benchmarked for a representative selection of commonly studied MOFs. For both potentials, comparison to a random set of validation structures reveals close to DFT precision in predicted forces and structural parameters of all MOFs. Essentially the same applies to elastic constants and phonon band structures. Additionally, for MOF-5 the thermal conductivity is obtained with full quantitative agreement to single-crystal experiments. All this is possible while maintaining a high degree of computational efficiency, with the obtained machine learned potentials being only moderately slower than the extremely simple UFF4MOF or Dreiding force fields. The exceptional accuracy of the presented FFPs combined with their computational efficiency has the potential of lifting the computational modelling of MOFs to the next level.

研究动机与目标

• 开发能够实现金属-有机框架（MOFs）第一原理级精度的机器学习力场，同时保持计算效率。
• 通过利用主动学习和从第一原理分子动力学中自动生成数据，减少力场参数化的人员投入。
• 在代表性MOFs集合上，对两种不同的机器学习势能家族（矩张量和基于核的）进行性能基准测试。
• 通过多种性质验证力场性能，包括力、结构参数、弹性常数、声子色散关系和热导率。
• 证明所得到的力场仅比简单经典力场（如UFF4MOF和Dreiding）慢约一倍，从而支持大规模模拟。

提出的方法

• 采用主动学习分子动力学生成用于训练机器学习力场的高质量参考构型。
• 采用矩张量和基于核的机器学习势能作为力和能量预测的底层模型。
• 在代表性MOFs的第一原理分子动力学模拟中采样得到的多样化构型上训练模型。
• 通过随机测试结构集验证模型在力、几何结构、弹性常数和声子色散关系方面的性能。
• 将MOF-5的热导率预测结果与单晶实验数据进行基准测试。
• 通过优化模型架构和推理速度，确保计算效率，实现接近经典力场的性能。

实验结果

研究问题

• RQ1 机器学习力场能否在预测金属-有机框架的力和结构参数方面实现接近DFT的精度？
• RQ2 矩张量和基于核的机器学习势能在包括弹性常数和声子能带结构在内的多种MOF性质上，其精度在多大程度上保持一致？
• RQ3 这些机器学习力场的计算成本与经典力场（如UFF4MOF和Dreiding）相比如何？
• RQ4 机器学习力场能否定量再现实验测得的热导率值，如MOF-5所示？
• RQ5 主动学习分子动力学能否可靠地生成足够且具有代表性的训练数据，以实现高精度力场参数化，且几乎无需人工干预？

主要发现

• 机器学习力场在所有测试MOFs中均实现了接近DFT精度的预测力和结构参数。
• 模型预测的弹性常数和声子能带结构与第一原理参考数据高度一致。
• MOF-5的热导率被定量再现，与单晶实验测量值完全匹配。
• 这些力场仅比经典力场（如UFF4MOF和Dreiding）慢约一倍，支持高效的大规模模拟。
• 主动学习工作流成功生成了具有代表性的训练数据，且人工干预极少，确保了模型的高精度和泛化能力。
• 矩张量和基于核的势能模型在多种MOF结构上均表现出稳健性能，证实了其可靠性和可迁移性。