原子エネルギー学習に基づく機械学習ポテンシャルの構築; EAMポテンシャルによる基礎的検討

A Fundamental study on machine learning potential based on atomic energy learning with EAM potential

加藤 太一*; 椎原 良典*; 森 英喜*; 都留 智仁   ; 松中 大介*

Kato, Taichi*; Shiihara, Yoshinori*; Mori, Hideki*; Tsuru, Tomohito; Matsunaka, Daisuke*

機械学習に基づく分子動力学法(ML-MD)は、原子シミュレーションにおける精度と計算コストのトレードオフを解消する有望な手法として注目されている。ML-MDにおいて最も一般的な手法である全エネルギー学習(Total Energy Learning: TEL)は、予測された原子エネルギーの総和が系全体のエネルギーと一致するようにモデルを学習させる。しかし、全エネルギーの計算には系内のすべての原子の情報が必要となるため、TELでは柔軟なデータ精選に制約が生じる。この問題を解決するために、本研究では各原子のエネルギーを直接学習データとして用いることで、原子レベルでのデータ選択を可能にする原子エネルギー学習(Atomic Energy Learning: AEL)を開発した。基礎的検討として、Embedded Atom Method(EAM)に基づくデータセットを用い、AELとTELの比較を行った。その結果、選択的なデータサンプリングがモデル精度の制御に有効であることが示され、さらに欠陥近傍の原子エネルギー評価において、対象を絞ったデータ選択が可能なAELの優位性が明らかになった。

Machine-learning-based molecular dynamics (ML-MD) has emerged as a promising approach to resolving the trade-off between accuracy and computational cost in atomic simulations. The most conventional method in ML-MD, total energy learning (TEL), trains models by matching the sum of predicted atomic energies to the total energy of the system. However, because calculating total energy requires information from all atoms in the system, TEL poses limitations for flexible data refinement. To address this issue, we have developed atomic energy learning (AEL), which enables atomic level data selection by directly using each atom's energy as training data. As a fundamental study, we compare AEL and TEL using datasets based on the Embedded Atom Method (EAM). The results demonstrate the effectiveness of selective data sampling in controlling model accuracy and reveal the advantage of AEL in evaluating atomic energies near defects through targeted data selection.