$Δ$-Machine Learning for Potential Energy Surfaces: A PIP approach to bring a DFT-based PES to CCSD(T) Level of Theory

기술 요약: 퍼텐셜 에너지 표면(PES)을 위한 $\Delta$-기계 학습(∆-Machine Learning)

문제 정의
B3LYP와 같은 고수준의 ab initio 방법인 단일, 이중 및 섭동적 삼중 들뜸을 포함한 결합 클러스터(CCSD(T))를 사용하여 다원자 분자의 정확한 퍼텐셜 에너지 표면(PES)을 구축하는 것은 계산적으로 매우 비용이 많이 듭니다. 밀도 범함수 이론(DFT)은 더 효율적인 대안을 제공하지만, 그 정확도는 정밀한 분광학적 또는 동역학적 연구를 수행하기에는 종종 불충분합니다. 기존의 접근 방식은 기존의 퍼텐셜을 "모핑(morphing)"하거나 실험적인 회전-진동 에너지에 최적화된 보정 퍼텐셜을 추가하는 방식이었으나, 이는 작은 시스템(3원자 또는 4원자 분자)으로 제한되거나 특정 스케일링 방법에 의존한다는 한계가 있었습니다. 과제는 전체 표면에 대한 방대한 양의 값비싼 CCSD(T) 계산을 요구하지 않고도, 저수준(LL) PES(일반적으로 DFT 기반)를 고수준(HL)의 정확도로 효율적으로 끌어올리는 것입니다.

방법론
저자들은 다음과 같이 공식화된 "$\Delta$-기계 학습($\Delta$-ML)" 접근 방식을 제안합니다:
$$V_{LL \to CC} = V_{LL} + \Delta V_{CC-LL}$$
여기서 $V_{LL \to CC}$는 보정된 PES이고, $V_{LL}$은 저수준 DFT 에너지와 기울기(gradient)에 적합하게 피팅된 PES이며, $\Delta V_{CC-LL}$은 고수준 CCSD(T)와 저수준 DFT 에너지 사이의 차이로부터 유도된 보정 퍼텐셜입니다.

핵리의 핵심 가정은 차이값인 $\Delta V_{CC-LL}$이 전체 에너지 $V_{LL}$보다 핵의 배치에 따라 덜 강하게 변화하므로, 훨씬 더 작은 규모의 고수준 계산 데이터셋을 사용하여 정확하게 피팅할 수 있다는 것입니다.

주요 방법론적 구성 요소는 다음과 같습니다:

• 치환 불변 다항식(Permutationally Invariant Polynomials, PIP): 기본 PES($V_{LL}$)와 보정 PES($\Delta V_{CC-LL}$) 모두 PIP 방법을 사용하여 피팅됩니다. 이는 동일한 원자에 대한 치환 불변성이라는 물리적 요구 사항을 보장합니다.
• 데이터 전략: $V_{LL}$ 표면은 대규모의 DFT 에너지 및 기울기 데이터셋(예: B3LYP/6-31+G(d) 또는 B3LYP/cc-pVDZ)에 피팅됩니다. 보정 항인 $\Delta V_{CC-LL}$은 CCSD(T) 수준에서 계산된 에너지 차이의 희소한(sparse) 집합(예: aug-cc-pVDZ 또는 aug-cc-pVQZ 기저 함수 사용)에 피팅됩니다.
• 기저 함수 효율성: $\Delta V_{CC-LL}$ 보정 항에 사용되는 PIP 기저 함수는 전체 고수준 PES에 필요한 것보다 낮은 차수와 작은 크기를 가지며, 이는 에너지 차이의 더 매끄러운 특성을 활용한 것입니다.

주요 기여 및 결과
본 논문은 세 가지 시스템인 하이드로늄 이온($H_3O^+$), 메탄($CH_4$), 그리고 12개 원자로 구성된 N-메틸 아세트아미드(NMA)에 대해 이 접근 방식의 효능을 입증합니다.

1. $H_3O^+$:

   • 32,142개의 CCSD(T)/aug-cc-pVQZ 구성 데이터셋을 사용할 수 있었습니다. 저자들은 $\Delta V_{CC-LL}$ 보정을 훈련하기 위해 125개에서 1,000개의 구성을 선택한 부분 집합을 선정했습니다.
   • 단 125개의 훈련 포인트(51개의 항을 가진 PIP 기저 함수 사용)만으로도, 보정된 PES는 23,000 cm$^{-1}$까지의 에너지에 대해 전체 CCSD(T) 벤치마크 대비 32 cm$^{-1}$의 제곱평균제곱근(RMS) 오차를 달성했습니다.
   • 최솟값(minimum)과 안장점(saddle point)에서의 기하학적 파라미터 및 조화 진동수는 직접적인 CCSD(T) 벤치마크와 매우 잘 일치하였으며, 이는 가공되지 않은 DFT PES보다 크게 개선된 성능을 보여주었습니다.

2. $CH_4$:

   • 훈련을 위해 100개의 CCSD(T)/aug-cc-pVDZ 에너지를 사용했을 때, 보정된 PES는 DFT와 CCSD(T) 사이의 불일치를 극적으로 줄였습니다.
   • 조화 진동수의 RMS 편차는 DFT의 31 cm$^{-1}$에서 보정 후 약 1 cm$^{-1}$로 감소했습니다.

3. N-메틸 아세트아미드 (NMA):

   • 이 12개 원자 시스템은 기존에 CCSD(T) 기반의 PES가 존재하지 않았던 중요한 도전 과제입니다.
   • 저자들은 5,430개의 CCSD(T)-F12/aug-cc-pVDZ 에너지를 생성했습니다. 보정은 4,696개의 포인트로 훈련되었고 734개의 포인트로 테스트되었습니다.
   • 보정된 PES($V_{LL \to CC}$)는 CCSD(T) 대비 훈련 시 57 cm$^{-1}$, 테스트 시 147 cm$^{-1}$의 RMS 오차를 달성했습니다.
   • 결정적으로, DFT PES는 trans-이성질체의 최솟값 구조(메틸 로터 각도가 60도 편향됨)를 잘못 예측했으나, $\Delta$-ML로 보정된 PES는 올바른 CCSD(T) 구조를 재현했습니다.
   • 메틸 로터의 비틀림 장벽(torsional barriers) 또한 크게 개선되어, DFT 결과보다 CCSD(T) 값에 훨씬 더 근접하게 되었습니다.

계산 효율성
본 논문은 이 방법의 계산 효율성을 강조합니다. NMA의 경우, 5,430개의 CCSD(T) 에너지를 계산하는 데 약 900 CPU-시간이 소요되었습니다. 그러나 최종 보정된 PES($V_{LL \to CC}$)를 평가하는 과정은 DFT PES와 보정 항을 합산하는 과정을 포함합니다. 보정 항($\Delta V_{CC-LL}$)은 전체 평가 시간의 약 6%만을 차지하므로, 고정밀 표면을 평가하는 속도는 밑바탕이 되는 DFT 표면을 평가하는 속도와 거의 유사합니다.

의의 및 주장
저자들은 이 $\Delta$-ML 접근 방식이 고수준 결합 클러스터 이론의 정확도에 근접하는 고충실도 PES를 생성하기 위한 효율적이고 구현하기 쉬운 경로를 제공한다고 주장합니다. 이 방법은 고수준 데이터셋을 생성하는 것이 불가능한 시스템에 특히 중요합니다. 논문은 아세틸아세톤(acetylacetone)과 트로폴론(tropolone)에 적용할 향후 계획을 언급하며, 이 접근 방식이 더 큰 분자에도 널리 적용 가능함을 주장합니다. 저자들은 이 접근 방식이 견고하지만, 매우 큰 시스템에 대해 고수준 벤치마크를 통한 엄격한 테스트는 여전히 계산적으로 까다롭다는 점을 언급하며 신중한 태도를 유지합니다. 또한, 치환 불변성과 저차수 피팅의 효율성 덕분에 보정 항에 있어 PIP 방식이 유리하다고 강조합니다.