機械学習原子間ポテンシャルの圧縮のための低ランク行列およびテンソル近似

科学分野:

• 計算材料科学
• 物理学における機械学習
• 科学計算

背景:

• 機械学習原子間ポテンシャル（MLIP）は、従来の力場よりも優れた精度を提供します。
• MLIPの柔軟性は、局所的な原子環境を記述する基底関数に依存します。
• MLIPパラメータの削減は、効率的なシミュレーションの鍵となります。

研究 の 目的:

• MLIPの圧縮方法論を開発および検証すること。
• MLIPシミュレーションの計算効率を向上させること。
• 圧縮がポテンシャルエネルギー面の精度に与える影響を調査すること。

主な方法:

• 固定ランク制約付きの低ランク行列およびテンソル分解。
• ポテンシャルフィッティングを最適化するための自動ランク拡張アルゴリズム。
• モーメントテンソルポテンシャル（MTP）および原子クラスター展開（ACE）を使用した検証。

主要な成果:

• MLIPの最大50％の圧縮を精度低下なしで達成しました。
• 多成分系（Mo-Nb-Ta-W合金、LiF-NaF-KF塩、グリシン結晶）で圧縮を成功裏に実証しました。
• 圧縮方法論の普遍性を異なるMLIPモデルで検証しました。

結論:

• 低ランク分解は、MLIPを圧縮するための効果的な方法を提供します。
• 開発されたアプローチは、予測力を維持しながらシミュレーション効率を向上させます。
• この方法論は、材料科学におけるさまざまなMLIPモデルに広く適用可能です。