高精度機械学習のデータ効率の良いマルチフィデリティトレーニング

科学分野:

• コンピュータ材料科学
• 化学における機械学習
• 量子力学

背景:

• 機械学習の原子間ポテンシャル (MLIP) は,ab initio計算から潜在的なエネルギー表面 (PES) を推定し,計算コストを低くして量子に近い精度を提供します.
• 高精度データベースはMLIPの精度にとって不可欠ですが,作成コストが高く,高い化学精度を必要とするシステムへの適用を制限しています.

研究 の 目的:

• マルチフィデリティのデータベースに関する 同時訓練を行うことができるMLIPの枠組みを開発する.
• 低信頼性のデータを活用して,最小限の高信頼性のデータを使用して,高信頼性の PES の正確な学習を可能にします.

主な方法:

• MLIPのフレームワークに等価グラフニューラルネットワークを使用しました.
• 低信頼性データとして一般化グラデント近似 (GGA),高信頼性データとしてメタ-GGAを用いた多信頼性トレーニングアプローチを採用した.
• Li₆PS₅ClとIn_{Ga1-Nシステムでフレームワークをテストしました.}

主要な成果:

• 低精度セットと比較して高精度データで10%のみで優れた精度を達成しました.
• リチウムイオン伝導率の予測 (10%以内の誤差) とInGa_1-N混合エネルギー (R²の0.98) で高い精度を示した.
• 低精度GGAデータは,高精度空間から情報を効果的に推測し,精度と分子動態の安定性を向上させることが示されました.

結論:

• マルチフィデリティ・ラーニング・フレームワークは,高精度タスクのMLIPパフォーマンスを大幅に向上させ,トランスファー・ラーニングとΔ-ラーニングを上回ります.
• この方法論は多用途で,様々なシステムに適用可能であり,結合クラスタを含むより高いフィデリティレベルに拡張できます.
• このアプローチは,高精度データセットを効率的に拡張することによって,高度に正確な,カスタム化された,または普遍的なMLIPの開発を約束します.