기계학습잠재력

Machine learning potential

1990년대부터 연구원들은 원자간 전위를 구성하기 위해 기계 학습 프로그램을 사용하여 원자 구조를 잠재 에너지에 매핑했습니다.이러한 기계 학습 잠재력은 매우 정확하지만 계산 집약적인 시뮬레이션 프로그램인 밀도 함수 이론과 계산적으로 훨씬 가볍지만 실질적으로 정확하지 않은 경험적으로 도출되거나 직관적으로 근사화된 잠재력 사이의 격차를 메울 것을 약속했습니다.인공 지능 기술의 개선은 MLP의 정확성을 높이는 동시에 계산 비용을 낮추어 [1][2]잠재력을 충족시키는 데 있어 머신 러닝의 역할을 증가시키는 역할을 했습니다.

기계 학습 잠재력은 저차원 시스템을 다루기 위해 신경망을 사용하는 것으로 시작되었습니다.이 모델들은 가능성이 있지만 원자간 에너지 상호작용을 체계적으로 설명할 수는 없었습니다. 진공 내의 작은 분자와 얼어붙은 표면과 상호작용하는 분자에 적용될 수 있지만 다른 것은 별로 없습니다. 그리고 이러한 응용 분야에서도 경험적으로 또는 [1]시뮬레이션을 통해 도출된 힘의 장 또는 전위에 의존하는 경우가 많습니다.따라서 이 모델들은 학계에 국한되어 있었습니다.

현대 신경망은 재료 과학에 대한 이론적 이해가 점점 더 아키텍처와 전처리에 내장되었기 때문에 매우 정확하고 계산이 가벼운 잠재력을 구성합니다.거의 대부분은 원자와 이웃 사이의 모든 상호작용을 설명하는 국부적인 것이며, 일부 차단 반경까지 설명합니다.일부 비국소 모델이 존재하지만, 이 모델들은 거의 10년 동안 실험적이었습니다.대부분의 시스템에서 합리적인 컷오프 반경은 매우 정확한 [1][3]결과를 가능하게 합니다.

거의 모든 신경망이 원자 좌표를 흡수하고 위치 에너지를 출력합니다.일부의 경우, 이러한 원자 좌표는 원자 중심 대칭 함수로 변환됩니다.이 데이터에서 각 요소에 대해 별도의 원자 신경망이 훈련됩니다. 각 원자 신경망은 해당 요소가 주어진 구조에서 발생할 때마다 평가되고, 그 결과는 마지막에 함께 풀링됩니다.이 과정, 특히 번역, 회전 및 순열의 불일치를 전달하는 원자 중심 대칭 함수는 신경망의 검색 공간을 크게 제한함으로써 머신 러닝 잠재력을 크게 향상시켰습니다.다른 모델은 유사한 프로세스를 사용하지만 쌍대칭 함수를 사용하고 원자 [1][4]쌍당 하나의 신경망을 훈련하여 원자에 대한 결합을 강조합니다.

그러나 다른 모델들은 미리 결정된 대칭 표시 함수를 사용하기 보다는 대신 자신의 설명자를 배우는 것을 선호합니다.메시지 전달 신경망(MPNN)이라고 불리는 이러한 모델은 그래프 신경망입니다.분자를 3차원 그래프(원자는 노드, 결합은 에지)로 취급하는 모델은 원자를 설명하는 특징 벡터를 입력하고, 메시지 함수와 컨볼루션을 통해 이웃 원자에 대한 정보가 처리됨에 따라 이러한 특징 벡터를 반복적으로 업데이트합니다.그런 다음 이러한 특징 벡터는 최종 포텐셜을 예측하는 데 사용됩니다.이 방법은 인공 지능에 더 많은 유연성을 제공하여 종종 더 강력하고 일반화 가능한 모델을 만들어냅니다.2017년, 최초의 MPNN 모델인 딥 텐서 신경망이 작은 유기 분자의 특성을 계산하는 데 사용되었습니다.이러한 기술이 상용화되어 2022년에는 전진 패스와 후진 패스를 모두 통해 특성을 추출하는 마틀란티스의 개발로 이어졌습니다.72개의 요소를 시뮬레이션할 수 있고, 한 번에 최대 2만 개의 원자를 처리할 수 있으며, 거의 구별할 수 없는 정확도로 밀도 함수 이론보다 최대 2,000,000배 빠른 계산을 수행할 수 있는 마틀란티스는 인공지능 [5][1][6][7]시대의 머신러닝 잠재력을 보여줍니다.

참고문헌

  1. ^ a b c d e Kocer, Emir; Ko, Tsz Wai; Behler, Jorg (2022). "Neural Network Potentials: A Concise Overview of Methods". Annual Review of Physical Chemistry. 73: 163–86.
  2. ^ Blank, TB; Brown, SD; Calhoun, AW; Doren, DJ (1995). "Neural network models of potential energy surfaces". Journal of Chemistry and Physics. 103 (10): 4129–37.
  3. ^ Ghasemi, SA; Hofstetter, A; Saha, S; Goedecker, S (2015). "Interatomic potentials for ionic systems with density functional accuracy based on charge densities obtained by a neural network". Physical Review B. 92.
  4. ^ Behler, J; Parrinello, M (2007). "Generalized neural-network representation of high-dimensional potential-energy surfaces". Physical Review Letters. 148.
  5. ^ Schutt, KT; Arbabzadah, F; Chmiela, S; Muller, KR; Tkatchenko, A (2017). "Quantum-chemical insights from deep tensor neural networks". Nature Communications.
  6. ^ Takamoto, So; Shinagawa, Chikashi; Motoki, Daisuke; Nakago, Kosuke (May 30, 2022). "Towards universal neural network potential for material discovery applicable to arbitrary combinations of 45 elements". Nature Communications. 13.
  7. ^ "Matlantis".