Potensi machine learning untuk metal-organic framework dengan pendekatan incremental learning

Metal-organic framework (MOF) adalah material kristalin berpori dengan luas permukaan yang luar biasa dan kimia yang dapat disesuaikan, sehingga menjanjikan untuk penyimpanan gas, pemisahan, dan katalisis. Namun, pemodelan komputasionalnya sangat menantang karena heterogenitas spasial dan kondisi operasi kompleks yang memengaruhi perilakunya. Density functional theory (DFT) dapat mendeskripsikan interaksi antar-atom pada tingkat mekanika kuantum tetapi terlalu mahal secara komputasi untuk sistem di luar skala nanometer dan pikodetik. Keterbatasan ini menghambat studi MOF pada kondisi realistis. Untuk mengatasinya, penulis mengusulkan skema incremental learning guna membangun potensi machine learning (MLP) yang akurat dan hemat data untuk MOF. Skema ini memanfaatkan potensi jaringan saraf equivariant yang dikombinasikan dengan enhanced sampling terparalelisasi dan pelatihan on-the-fly untuk mengeksplorasi dan mempelajari ruang fase secara iteratif. Pendekatan ini bertujuan mengatasi trade-off akurasi-efisiensi, memungkinkan simulasi MOF dalam jendela spatiotemporal yang lebih besar dengan fidelitas tinggi.

Skema incremental learning dibangun di atas potensi jaringan saraf equivariant, yang dirancang untuk menghormati simetri sistem fisik, seperti rotasi dan translasi. Metode ini mengintegrasikan teknik enhanced sampling terparalelisasi untuk mengeksplorasi ruang konfigurasi MOF secara efisien, yang sering menampilkan beberapa fase berbeda secara struktural dan kerangka fleksibel. Pelatihan on-the-fly digunakan, di mana potensi terus diperbarui selama proses sampling. Loop iteratif ini memungkinkan model belajar dari konfigurasi yang dihasilkan secara dinamis, memusatkan upaya komputasi pada wilayah ruang fase yang relevan. Proses dimulai dengan potensi awal, yang disempurnakan melalui iterasi berturut-turut. Setiap iterasi melibatkan menjalankan simulasi dinamika molekuler atau Monte Carlo dengan potensi saat ini, mengidentifikasi konfigurasi dengan ketidakpastian tinggi, dan melakukan perhitungan DFT single-point pada konfigurasi tersebut untuk memperkaya set pelatihan. Strategi active learning ini memastikan hanya beberapa ratus evaluasi DFT per material yang diperlukan untuk mencapai potensi yang akurat dan dapat ditransfer. Paralelisasi enhanced sampling lebih lanjut mempercepat eksplorasi, membuat skema ini efisien untuk MOF yang kompleks.