基于剪切SOAP描述符的分子吸附能机器学习快速筛选方法

《ACS Omega》:Cut-SOAP: A Machine Learning Descriptor for Rapid Screening of Molecular Adsorption Energetics

【字体: 大 中 小 】 时间:2026年01月27日 来源:ACS Omega 4.3

编辑推荐:

  吸附能是催化和化学反应研究中的基本属性;然而,传统的量子化学方法,如密度泛函理论(DFT),虽提供高精度,但计算成本高昂,甚至在筛选大数据集或复杂化学体系时往往不切实际。本研究中,研究人员提出了一种机器学习(ML)流程,能够高效预测分子在近最小分子-簇距离下的

  
吸附能是催化和化学反应研究中的基本属性;然而,传统的量子化学方法,如密度泛函理论(DFT),虽提供高精度,但计算成本高昂,甚至在筛选大数据集或复杂化学体系时往往不切实际。本研究中,研究人员提出了一种机器学习(ML)流程,能够高效预测分子在近最小分子-簇距离下的相对能量相互作用,其计算成本仅为基于量子化学方法的一小部分。该方法首先将Fritz-Haber Institute ab initio materials simulation (FHI-aims) 的输出数据,通过一个修改版的原子位置平滑重叠(Smooth Overlap of Atomic Positions, SOAP)描述符——研究人员称之为剪切SOAP(Cut-SOAP)——转换为特征数组。这一修改在保留数据大部分固有质量的同时,将特征维度降低了超过97%。利用该方法,研究人员使用真实数据构建了一个包含超过43万条目的大型吸附数据集。随后,一个深度神经网络在该数据集上进行了训练,分析了网络架构和超参数选择对计算成本和预测精度的影响。该模型在标准测试集上的平均绝对误差(Mean Absolute Error, MAE)低于0.1 eV。为了严格评估其在实际应用中的泛化能力,研究人员在一个具有挑战性的分布外数据集上对其进行了评估,其MAE仍保持在稳健的1.0 eV以下。训练后的模型能够在数秒内进行数千次预测,展示了该流程在快速筛选方面的有效性。这些结果突显了基于机器学习方法在材料筛选方面的优势,提供了可访问、高效且准确的预测相对能量相互作用的工具。这种能力是实现催化体系加速发现与优化的关键一步。

研究人员开发了一套完整的计算预测流程。首先,构建了一个基于真实计算化学数据的量子化学数据库,数据集包含超过45万条分子配置,源自使用半局域Perdew–Burke–Ernzerhof (PBE) 泛函并经Tkatchenko–Scheffler (TS) 色散校正的DFT计算。数据集涵盖甲烷和二氧化碳转化路径中常见的吸附物种(如CH3, CO)在过渡金属团簇等基底上的多种吸附构型。研究人员使用自主开发的命令行工具Qcalc从FHI-aims输出文件中提取信息,并定义了相对总能量作为目标属性。为应对数据不平衡问题,采用了随机过采样进行数据集重平衡。在描述符方面,重点开发了针对吸附体系优化的Cut-SOAP描述符,该方法基于构建一个假想的吸附位点(由基底上离分子最近的N个原子构成),显著降低了SOAP描述符的特征维度。在回归模型方面,研究人员对比了线性回归和多层感知机(MLP)神经网络,并重点对MLP的架构和超参数(如隐藏层神经元数量、批大小、优化器等)进行了系统性研究与优化,最终选择了一个在预测精度和计算效率间取得良好平衡的“Large”架构MLP模型。
吸附能是表面科学、催化和材料设计领域中的关键物理化学描述符,它量化了吸附物种(如分子或原子)与固体表面之间的相互作用强度。准确评估吸附能对于多相催化(包括甲烷氧化、二氧化碳还原、储氢等表面反应)的广泛应用至关重要,并且是推导线性标度关系和通过Bell–Evans–Polanyi (BEP) 原理估算能垒的间接输入参数。然而,传统的量子力学方法(如密度泛函理论DFT)虽然精确,但需要大量的计算资源。因此,学界对于能够以更低计算成本预测吸附能的方法需求日益增长。机器学习(ML)技术作为一个极具吸引力的替代方案,能够利用现有数据,在大幅提升速度的同时提供满足众多应用所需精度的预测。

尽管ML在化学中的应用日益广泛,但仍面临两个主要挑战:(i)缺乏面向非编程人员的直观工具;(ii)广泛使用专门为训练ML模型而设计的合成数据集。本研究提出了一套全面的流程,用于预测分子与团簇在局部最小构型附近的相互作用能量,旨在解决上述问题。该流程开发了一个用户友好的预测系统,能无缝集成到命令行环境中,并使用非专门为ML生成的现有真实数据集进行训练和测试。

**Cut-SOAP描述符的开发与优化**
传统的库仑矩阵特征值(EVCM)和SOAP描述符在应用于大小多变的分子-基底体系时存在挑战。EVCM的特征数量随原子数变化,导致需填充零值并可能产生巨大的特征表。而对基底较大的系统应用SOAP会产生过多特征,影响计算性能。为解决这些问题,研究人员开发了专门针对吸附体系的描述符变体。其核心思想是构建一个假想的、固定大小的吸附位点(由基底中离吸附分子最近的N个原子构成),而非考虑整个基底。这使得系统表征聚焦于与吸附现象最相关的原子区域。基于此,研究人员开发了Cut-EVCM和Cut-SOAP描述符。Cut-SOAP的步骤包括:从假想的吸附位点原子以及吸附分子的所有原子出发计算SOAP特征,计算几何中心,并进行相关性分析以移除高度相关的特征。如表1所示,经过这一系列优化,Cut-SOAP将朴素SOAP的特征维度(约7.5万个)降低了超过97.5%,最终仅生成1835个特征,同时保持了数据的预测质量。

**机器学习模型的构建与评估**
研究人员首先对比了基线线性回归模型与MLP神经网络的性能。使用Cut-EVCM描述符和相同MLP架构时,线性回归的测试集MAE为0.919 eV,而MLP仅为0.157 eV,证明了非线性模型的必要性。随后,研究人员在固定MLP架构下比较了多种SOAP变体描述符(Cut-EVCM, SOAP, Cut-SOAP, AA-SOAP, SP-SOAP)的构建时间、训练时间和预测精度。结果表明,Cut-SOAP(特别是Cut-SOAP 2)在预测精度和计算成本之间取得了最佳平衡。例如,在平衡数据集上,Cut-SOAP 2的MAE达到0.062 eV,而构建和训练时间相对合理。

**Cut-SOAP最佳参数与MLP超参数优化**
在确定使用Cut-SOAP 2后,研究人员探究了假想吸附位点原子数(n)对模型性能的影响(表3)。结果显示,当n > 3时模型预测性能优异,其中n=6时MAE最低(0.06 eV),且各配置的构建与训练时间相当。最后,研究人员对MLP回归器的超参数进行了系统优化(表4)。对比了标准(Standard)、扁平(Flat)、小批量(MiniBatch)、大型(Large)、耐心(Patient)和组合(Combo)等不同拓扑结构。研究发现,“Flat”模型精度不足,“MiniBatch”和“Patient”模型增加了训练时间但性能提升不明显。“Large”和“Combo”模型取得了最优精度。虽然“Combo”模型MAE(0.049 eV)略低于“Large”模型(0.049 eV),但其训练时间显著更长。因此,研究人员最终选择了“Large”架构,因为它在预测能力和计算效率之间实现了最佳折衷。

**模型在实际应用中的评估**
为验证模型的实际应用价值,研究人员生成了全新的吸附体系:CH4、CH3和H物种在(ZrO2)16基底及其掺杂变体(如RhZr16O32, LaZr15O32等)上的吸附。这些体系通过修改cluster_assembler框架模块生成,允许分子取向完全自由,模拟了高通量筛选的场景。使用训练好的模型,在不到1秒内即可将所有新生成的xyz文件转换为特征表,并在0.28秒内完成所有222个体系的能量预测。与DFT参考值对比,模型的整体MAE为0.892 eV。具体到不同系统(表5),模型对中性CH4分子的预测MAE普遍较低(例如CH4/La2Zr14O31为0.240 eV),而对自由基CH3和H原子的预测误差较大(如H/LaZr15O32达2.552 eV)。图4直观展示了预测值与真实值的对比,大部分数据点集中在1 eV误差阈值线附近。

研究人员在讨论中指出,模型在分布外新数据上的性能(MAE≈0.9 eV)与其在验证集上的性能(MAE<0.1 eV)存在差距,这主要归因于训练数据无法覆盖所有可能的分子取向和空间构型。尽管如此,该模型仍具有重要的实用价值,能够作为快速筛选工具,从大量候选体系中初步识别出相对能量相互作用有潜力的体系,供后续使用高精度DFT计算进行深入研究。

**研究结论**
本研究解决了一个挑战性问题:如何利用非专门为机器学习设计的、真实世界的吸附数据集。这类数据集存在非标准格式、类别不平衡和系统异质性等困难。研究人员通过数据预处理和选择合适的机器学习方法,成功训练了一个有效的预测模型。首先,研究人员开发了针对吸附体系量身定制的化学描述符Cut-SOAP。该描述符在特征数量上远少于朴素SOAP实现,同时精度与之相当,因此非常适合大规模数据集,并显著降低了计算成本。通过检验关键SOAP超参数及其对特征质量的影响,研究人员将FHI-aims输出数据转换为兼容机器学习模型的表格格式。随后,研究人员评估了多层感知机(MLP)的多种神经网络超参数组合。所选模型在测试集上的平均MAE低于0.1 eV。为评估其泛化能力,研究人员将该模型应用于具有取向多样性的新生成吸附体系,这些体系引入了训练数据中不存在的空间构型。即使在这种更复杂的场景下,模型仍实现了低于1.0 eV的平均绝对误差,证明了其作为相对能量相互作用快速筛选方法的实际效用。该工作流程的所有组件已集成到一个用户友好的控制台界面中,使研究人员能够高效筛选大量吸附体系,并识别出具有潜在相对能量值的体系。总体而言,本研究突显了将通用数据集与定制化描述符及机器学习技术相结合,以加速材料发现的潜力。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号