[论文解读] Machine Learned Hückel Theory: Interfacing Physics and Deep Neural Networks

Tetiana Zubatyuk, Ben Nebgen+8 more|arXiv (Cornell University)|Sep 27, 2019

Machine Learning in Materials Science参考文献 5被引用 4

一句话总结

本文提出了一种机器学习化的胡克尔理论，用深度神经网络动态预测的参数替代扩展胡克尔模型中的静态经验参数。该模型基于密度泛函理论（DFT）数据进行训练，在保持物理可解释性的同时，显著提升了轨道能级和电子相互作用的预测精度，其中胡克尔框架（而非神经网络）负责捕捉分子体系中复杂的轨道行为。

ABSTRACT

The Hückel Hamiltonian is an incredibly simple tight-binding model famed for its ability to capture qualitative physics phenomena arising from electron interactions in molecules and materials. Part of its simplicity arises from using only two types of empirically fit physics-motivated parameters: the first describes the orbital energies on each atom and the second describes electronic interactions and bonding between atoms. By replacing these traditionally static parameters with dynamically predicted values, we vastly increase the accuracy of the extended Hückel model. The dynamic values are generated with a deep neural network, which is trained to reproduce orbital energies and densities derived from density functional theory. The resulting model retains interpretability while the deep neural network parameterization is smooth, accurate, and reproduces insightful features of the original static parameterization. Finally, we demonstrate that the Hückel model, and not the deep neural network, is responsible for capturing intricate orbital interactions in two molecular case studies. Overall, this work shows the promise of utilizing machine learning to formulate simple, accurate, and dynamically parameterized physics models.

研究动机与目标

• 通过用动态预测值替代静态经验参数，提升扩展胡克尔方法的预测精度。
• 在通过机器学习提升预测能力的同时，保持胡克尔模型的物理可解释性。
• 证明胡克尔哈密顿量而非神经网络，是分子体系中复杂轨道相互作用的主要驱动力。
• 利用深度学习实现轨道能级和电子相互作用的平滑、可微分且可推广的参数化。
• 弥合量子化学与材料科学中基于物理的模型与数据驱动机器学习之间的差距。

提出的方法

• 训练一个深度神经网络，从原子坐标和化学环境预测轨道能级和电子密度。
• 网络输出胡克尔哈密顿量的动态参数，替代传统方法中固定的轨道能级和原子间相互作用值。
• 使用密度泛函理论（DFT）数据作为网络训练的真值，确保物理一致性。
• 通过自洽求解，获得机器学习化胡克尔哈密顿量的电子结构性质。
• 该框架保留了原始胡克尔模型的数学结构，确保可解释性和物理洞察力。
• 在两个分子体系上验证该方法，将预测结果与DFT基准进行比较。

实验结果

研究问题

• RQ1 深度神经网络能否从分子结构准确预测胡克尔参数（轨道能级和积分相互作用）？
• RQ2 用学习得到的动态参数替代静态胡克尔参数，是否能显著提升电子结构预测的精度？
• RQ3 在多大程度上，胡克尔模型本身是复杂轨道相互作用效应的主要来源，而非神经网络？
• RQ4 机器学习化的胡克尔模型能否在保持高精度的同时维持可解释性？
• RQ5 机器学习化胡克尔模型的性能与标准DFT和传统胡克尔方法相比如何？

主要发现

• 与传统的静态胡克尔方法相比，机器学习化胡克尔模型在预测轨道能级方面实现了显著更高的精度。
• 深度神经网络在多种分子结构上成功实现泛化，生成平滑且物理解释合理的参数化结果。
• 在两个案例研究中，胡克尔哈密顿量被确认为复杂轨道相互作用效应的主要来源，而非神经网络。
• 即使在使用学习参数的情况下，该模型仍通过保留原始胡克尔形式体系，维持了可解释性。
• 该框架实现了高精度的电子结构预测，且计算成本显著低于完整的DFT计算。
• 该方法在不同分子体系上表现出鲁棒性和可迁移性，经两个测试案例验证。