汎用型グラフニューラルネットワーク力場(GNN力場)を用いて触媒材料の分子動力学シミュレーションを行いました。用いたGNN力場は、Facebook社とカーネギーメロン大学が主催するOpen Catalyst Project[1]で開発されたもので、触媒材料をターゲットとして、約1億3千万個の第一原理計算の計算結果を学習データとして構築されており、広範囲な触媒材料の分子動力学計算が可能となっています。本事例では、白金触媒表面上へのCO分子の吸着ポテンシャルカーブを、GNN力場を用いて計算し、第一原理計算結果と比較することでGNN力場の精度の確認を行いました。
計算モデル・計算条件
白金触媒表面上へのCO分子吸着は図1に示す計算モデルを用いて計算しました。また、表1に第一原理計算条件および使用したGNN力場の手法を示します。
第一原理計算条件 | GNN計算条件 | ||
使用コード | VASP (ver 5.4.4) | 使用コード | LAMMPS[2] |
交換相関汎関数 | RPBE | 使用GNN | Gemnet+dT |
擬ポテンシャル | PAW | Dimnet++ | |
カットオフエネルギー | 400eV | Schnet | |
k点サンプリング | 3×3×1 |
計算結果
図2に吸着ポテンシャルカーブ計算結果を、表2に吸着エネルギーの計算結果を示します。使用するGNN力場の手法により計算結果に差異は見られるものの、0.5eV以下の精度で吸着エネルギーを予測できていることが分かります。また、1点当たりのエネルギー計算に要した時間を比較すると、GNN力場は第一原理計算と比べて200倍以上高速に計算できることが確認できました。
手法 | 吸着エネルギー(eV) | 1点当たりの計算時間(sec)※ |
Gemnet-dT | -1.037 | 15 |
Dimnet++ | -1.420 | 15 |
Schnet | -1.696 | 15 |
DFT | -1.510 | 4000 |
まとめ
- 汎用型GNN力場を用いることで、第一原理計算と同程度の計算精度で、低コストで高速に触媒材料の計算が可能となります
- 膨大な学習データを用いて構築された力場であるため、広範囲な触媒材料のシミュレーションが可能となります
[1] Chanussot Lowik et.al. "Open Catalyst 2020 (OC20) Dataset and Community Challenges", ACS Catalysis (2020)
[2] Customized LAMMPS(7Aug2019) for Neural Network Potential, by AdvanceSoft Corp. http://www.advancesoft.jp.

お問い合わせ
ご依頼及び業務内容へのご質問などお気軽にお問い合わせください