Movatterモバイル変換

Matlantis™のニューラルネットワークポテンシャルPFPの適用範囲拡張So Takamoto○, Chikashi ShinagawaPreferred Networks, Inc.

2● Matlantis [1]○ 材料探索を加速する“汎用原子レベルシミュレータ”○ 原子シミュレーションの環境をSaaSとして提供● PFP○ Matlantisのコア技術に相当するNeural network potenital (NNP)○ データセット/アーキテクチャ共に独自開発○ 任意の多元素の組み合わせに対して動作する汎用性が特徴タイトルの用語について: MatlantisとPFP[1] Matlantis. https://matlantis.com/[2] Matlantis Cases. https://matlantis.com/ja/casesMatlantisを利用して計算された事例 [2]

3● Neural Network Potential (NNP) の発展○ 原子構造を扱うNNアーキテクチャの「カンブリア爆発」■ グラフ畳み込み、不変性/共変性の導入、電子状態計算の模倣○ 巨大データセットの登場■ QM9, Materials Project, Open Catalyst Project, etc.● 課題○ 精度: 回帰スコアとしての精度が分子動力学計算の精度と結びつかない○ 外挿性: データセットにない原子構造に対する推論が破綻しやすい○ ロバスト性: 非現実的な構造を回避することの難しさ背景: NNPの発展と課題DimeNet++/OC20 による吸着構造の再現(Co表面/COH分子)．最適化した表面(a)に分子を乗せると構造が崩壊(b)．現実的な構造(c)は局所安定． [1][1] S. Takamoto, et al., Nat. Commun 13, 2991 (2022).

4● 仮説: 既知の特定の原子構造のみを対象としたデータセットではエネルギー曲面を再現するのに十分な情報を得ることが困難？● 方針: 可能な限り前提知識を排し、位相空間の広範囲をカバーできるよう不安定・非現実的な構造を積極的に教師データに入れる● High-temperature multi-element 2021 (HME21) dataset [1]○ PFPの学習のために作成したデータセットからの一部抜粋○ 多種の元素を含む原子構造を高温でMD計算した構造■ 体積固定(NVT)、~32原子、500 K~10000 K、最大20元素○ MD計算には学習したNNPそのものを利用■ NNPが推論してしまった非現実的な構造も教師データに加えていく、一種の自己学習ユニバーサルなNNPを実現するためのデータセット[1] High-temperature multi-element 2021 (HME21) dataset. https://doi.org/10.6084/m9.figshare.19658538

5● TeaNet: PFPの前身のNNPアーキテクチャ [1]○ 高階のテンソル量をグラフに流す○ EAM/Tersoﬀ ポテンシャル関数の振る舞いをグラフNNに書き直し○ HME21データセットに対する回帰スコアで良い性能 [2]● 分子動力学計算の検証○ (HME21データセットに入っていない)表面吸着を再現○ 反応のNEB計算も可能HME21データセットベンチマーク左: HME21データセットに対する他アーキテクチャとの比較[1] S. Takamoto, et al., Comput. Mater. Sci. 207, 111280 (2022).[2] S. Takamoto, et al., Nat. Commun 13, 2991 (2022).

6● データセット/アーキテクチャの継続的開発○ HME21以外にも様々な方針でデータを取得■ 仮想的な結晶構造、分子/クラスタ等○ アーキテクチャ改良■ 局所性、不変性、エネルギー曲面の連続性は維持● 2021/01 PFP バージョン0○ 論文版 [1]● 2021/07 PFP バージョン1○ Matlantis 提供開始○ 55元素に拡張○ 後にD3補正に対応PFP バージョン0, 1 / Matlantis提供開始PFP バージョン0の適用例 [1][1] S. Takamoto, et al., Nat. Commun 13, 2991 (2022).FT反応の活性化エネルギーMOF構造再現Li拡散相変態

7● 精度のさらなる向上○ PFPでは汎用性を最重要項目と位置づけ、精度を向上させていく開発方針を取った○ 汎用性を維持したままの精度向上を目指す● 2022/02 PFP バージョン2○ フォノンの再現性向上○ Hubbard U補正なしモードを追加● 2022/08 PFP バージョン3○ 分子系液体の密度改善○ 55元素→72元素に拡張Matlantis提供開始以降の方針反応拡散吸着フォノン分子間力破綻しないMD構造間の自由エネルギー要求されるエネルギーの精度エネルギーのスケールと現象の模式図PFP バージョン3元素の対応状況

8● フォノンの改善○ PFP バージョン1では一部の構造のフォノンの不安定性(計算時の微小変位⊿xへの強い依存性)が報告○ 原子に働く力が大幅に小さいデータ(安定点付近)を収集→PFP バージョン2でフォノンの再現性が改善● 分子系液体○ 同様に分子間の相互作用に課題○ 大きな誤差と小さな誤差を同時に学習できるよう学習手法を修正○ PFP バージョン3では分子系液体の密度 (室温) の再現性が向上精度改善の事例Si phonon dispersion curve(PFP v3.0.0, delta=0.01)Liquid density(PFP v3.0.0, 300 K)

9● PFP バージョン3で55→72元素に拡張● 学習データに使用していない検証用の結晶構造データ* に対して検証○ 安定点のエネルギーおよび微小変化に対するforceの変化をDFTと比較し、精度向上を確認○ 興味深いことに、未対応の時点で一定の精度では推論が行えていた■ ごく少数のデータは存在■ 元素に対してある種の汎化が起こっている可能性を示唆対応元素拡大* Crystallography Open Databaseから抽出．DFTによる構造最適化計算を実施

10● PFPデータセットのスケール○ DFT計算が大きな分量を占める○ PFP バージョン3の時点でGPU 1144年分に相当統計情報PFP Number of data GPU daysv0.0.0 3 x 10^6 6 x 10^4v1.0.0 10 x 10^6 10 x 10^4v2.0.0 17 x 10^6 15 x 10^4v3.0.0 22 x 10^6 42 x 10^4 * PFNの計算機クラスター (MN-2)* 収束しなかった等の理由で学習に使用していないデータの計算時間を含む

11● 原子シミュレーションにおける「基盤モデル」としてのPFP○ エネルギー以外の推論タスクとの融合、転用● さらなる高精度化○ 教師データのためのより高精度な電子状態計算の検討○ 微細なエネルギー差の再現のためのデータセット収集○ NNPアーキテクチャの精緻化● 高速化○ NN演算速度の高速化 (デバイスの最適化、計算グラフ改善)○ モデルの改善、精度と速度のトレードオフ● 原子構造生成、原子構造予測Future works

12● 「任意の物質に適用可能なNNP」を目的に技術開発を行った○ 仮想的な構造・乱れた構造を含むデータセットを作成し、これを学習可能なNNPアーキテクチャを開発した○ 作成したNNPはデータセットに明示的に含んでいない材料に対して良い振る舞いをすることを示した● 材料探索サービス"Matlantis"のコア技術として大規模かつ継続的な開発を行った○ 精度を向上させ、より繊細な計算対象を扱えるようにした○ 対応元素を72元素まで増やした○ 現時点で作成したDFT計算データセットはGPU1枚換算で1000年を超えるスケールに達したまとめ

Making the real world computable

Movatterモバイル変換

Change Language

Matlantis™のニューラルネットワークポテンシャルPFPの適用範囲拡張

Recommended

More Related Content

What's hot

Similar to Matlantis™のニューラルネットワークポテンシャルPFPの適用範囲拡張

More from Preferred Networks

Matlantis™のニューラルネットワークポテンシャルPFPの適用範囲拡張