Self-learning hybrid Monte Carlo; A First-principles method

自己学習ハイブリッドモンテカルロ法; 第一原理的手法

志賀 基之   ; 小林 恵太 ; 奥村 雅彦   ; 永井 佑紀   

Shiga, Motoyuki; Kobayashi, Keita; Okumura, Masahiko; Nagai, Yuki

本研究では自己学習ハイブリッドモンテカルロ法を紹介する。この方法では、機械学習ポテンシャルを利用することで、第一原理密度関数理論(DFT)に基づくシミュレーションの統計的サンプリングを加速できる。近似的な機械学習ポテンシャルエネルギー曲面上の運動として生成した軌跡をDFTエネルギーに基づくメトロポリスアルゴリズムによって確率的に採択する。このとき、特定の熱力学的条件に対してDFTレベルで正確なアンサンブルが生成される。一方、機械学習ポテンシャルは、サンプリングを行いながら訓練することで、自動的に改善される。

We introduce a method called self-learning hybrid Monte Carlo (SLHMC), which is a general method to make use of machine learning potentials to accelerate the statistical sampling of first-principles density-functional-theory (DFT) simulations. The trajectories, generated on an approximate machine learning (ML) potential energy surface, are accepted or rejected by the Metropolis algorithm based on DFT energies. The statistical ensemble is sampled exactly at the DFT level for a given thermodynamic condition. The ML potential is improved on the fly by training to enhance the sampling.