Development of physics-based machine learning model for universal interatomic potential

2018 Fiscal Year Annual Research Report

• Project/Area Number: 18H05886
• Allocation Type: Single-year Grants
• Research Institution: The University of Tokyo
• Principal Investigator: 高本 聡 東京大学, 大学院工学系研究科(工学部), 助教 (80829317)
• Project Period (FY): 2018-08-24 – 2020-03-31
• Keywords: 分子動力学 / 原子間ポテンシャル / 機械学習

Outline of Annual Research Achievements

原子の振る舞いを近似的に再現する原子間ポテンシャルは、現状では元素や適用先の構造を限定することで精度を確保しているが、あらゆる元素に適用可能な究極の「ユニバーサル原子間ポテンシャル」が獲得できれば、物理シミュレーションに基づく材料の物性予測や新材料開発へ大きなインパクトを与えると考えられる。本研究の最終目標は深層学習と物理モデルの統合によるユニバーサル原子間ポテンシャルの作成であり、本研究ではその基礎技術としてモデルを提案することを目的として行われている。本年度は、計画書で提案したユニバーサル原子間ポテンシャルのための機械学習モデルの実装を行った。これには物理モデルの深層学習モデルへの書き換えが必要となるため、式の展開および深層学習で使われるconvolutionとの数式上での対応づけが行われた。またこの際、深層学習用のフレームワーク上への原子間ポテンシャルの実装のため、フレームワーク内での新規な処理の実装に加え、GPUを用いた大規模な計算のための環境の用意、また分子動力学計算のライブラリとの連携などを行った。
さらに、学習のための教師データの作成が必要となるため、多様な原子配置を持つ構造の作成およびそれらの第一原理計算を行った。構造の作成は基本的なものとして原子2体系については総当たりで、知られた構造についてはMaterials Projectを利用して作成し、さらに複雑なものについては古典分子動力学計算によりエネルギーの不安定な構造を多数作成した。この作業は今後もさらに規模を増やすことを目指している。

Current Status of Research Progress

2: Research has progressed on the whole more than it was originally planned.

Reason

本年度は、深層学習フレームワークを用いて原子間ポテンシャルの実装を行った。その際に必要となる新規な関数の実装などを追加して行った。また分子動力学計算として利用するためのグルーコードなども実装した。これらについて、現在利用可能なデータセットに対して動作することを確認した。現在までの結果を論文に執筆中である。

Strategy for Future Research Activity

前年度で開発を進めた深層学習用のフレームワーク上で実際に原子間ポテンシャルの学習を行い、分子動力学計算に適用することが主な目的となる。具体的な作業としては、GPUを用いた大規模な計算、検証のための分子動力学計算、また追加の第一原理計算が含まれる。
教師データは大規模である必要があるため、収集には第一原理計算を用いて半自動的に行う。この際の手法には申請者らの先行研究(https://doi.org/10.1063/1.4965863)を適用する。