《Journal of Chemical Theory and Computation》:qNEP: A Highly Efficient Neuroevolution Potential with Dynamic Charges for Large-Scale Atomistic Simulations
编辑推荐:
机器学习势函数在材料模拟中的应用日益广泛,但现有方法在处理静电相互作用时计算成本高昂,限制了大规模、长时间的模拟。为解决此问题,本文提出了一种名为qNEP的高效神经进化势框架,通过引入动态电荷来处理长程静电效应。该框架不仅能直接预测每个离子的玻恩有效电荷(BEC)和张量,从而计算极化,还能用于评估介电性质、红外光谱以及与外加电场的耦合。研究人员在开源的GPUMD软件包中实现了该方法,并成功应用于水、LLZO、BaTiO3和镁-水界面体系。结果显示,qNEP能够准确模拟包含长程静电作用的大规模原子体系,在消费级GPU上即可扩展到百万原子尺度,为电化学、介电响应和光谱学等研究提供了强大工具。
在原子尺度上对材料进行精确建模,是理解物质微观结构和宏观性质的关键。随着计算科学的发展,机器学习势函数(MLIPs)已成为一种能够兼顾精度与效率的强大工具,在材料科学、化学和物理等领域得到了广泛应用。然而,一个长期存在的挑战是,许多重要的物理现象,例如离子输运、质子传导、带电缺陷迁移、介电响应、红外光谱以及电场驱动的极化动力学,都强烈依赖于长程静电相互作用。传统的短程机器学习势函数由于只考虑原子附近的化学键合,往往无法准确描述这些与电荷分布和电场息息相关的效应。为了解决这一问题,研究人员不断尝试将静电效应整合到机器学习势函数中。现有的方法虽然在一定程度上实现了目标,但通常伴随着巨大的计算开销,严重制约了其在大规模体系(例如数十万到数百万原子)和长时间尺度(例如纳秒级别)模拟中的应用。这使得研究那些对静电相互作用敏感的关键过程变得异常困难。为了突破这一瓶颈,来自中国科学院、北京理工大学、北京航空航天大学等机构的研究人员在《Journal of Chemical Theory and Computation》期刊上发表了最新研究成果,开发出一种名为qNEP的高效、电荷敏感的机器学习势函数。
为开展这项研究,作者们主要运用了神经进化势(NEP)机器学习框架、粒子-粒子粒子-网格(PPPM)算法处理静电长程相互作用,以及伊沃尔(Ewald)求和方法。他们以水、Li7La3Zr2O12(LLZO)、BaTiO3和镁-水界面等代表性体系作为验证对象,评估了qNEP的精度和效率。研究的核心在于对qNEP模型进行了详细的架构设计和理论推导,并基于GPUMD软件包进行了高效的代码实现。
研究结果
2.1. 原始的NEP模型架构
研究首先回顾了作为qNEP基础的神经进化势(NEP)框架。NEP是一种高效的短程机器学习势,其核心是一个单隐藏层的前馈神经网络,用于预测每个原子的位点能量。总能量是所有原子位点能量之和。神经网络的输入是描述原子局部环境的描述符向量,其输出经过训练可以精确拟合从高精度量子力学计算(如密度泛函理论,DFT)获得的参考数据。
2.2. qNEP模型架构
qNEP在标准NEP框架的基础上进行了关键扩展。它在原有的位点能量输出节点旁,增加了一个新的输出节点,用于预测每个原子的部分电荷(partial charge)qi。这两个输出共享同一个描述符输入和隐藏层,形成了一个双输出的神经网络架构。通过这种方式,模型能够根据原子的瞬时局部环境动态地预测其电荷。基于预测出的电荷,系统总的静电能量可以通过Ewald分解为实空间、倒空间和自能三部分贡献来计算。研究人员考虑了两种计算模式:模式1同时包含实空间和倒空间贡献;模式2则只包含倒空间贡献,其理由是短程的NEP部分可能已经包含了实空间的静电相互作用。qNEP的总能量是NEP贡献的能量与静电能量之和。
2.3. 能量导数
由于电荷本身是原子位置的函数(动态电荷),在计算力(能量对位置的负梯度)和维里(virial, 与应力相关)时,必须考虑电荷随位置变化带来的额外贡献。研究团队严格推导了包含动态电荷效应的力与维里的表达式,并证明了即使在多体势的框架下,牛顿第三定律的弱形式仍然成立。这使得qNEP能够产生物理上自洽的力和应力,这是进行可靠分子动力学模拟的基础。
2.4. 玻恩有效电荷及相关性质
预测出的动态电荷一个强大的应用是计算材料的宏观极化和玻恩有效电荷(Born effective charge, BEC)张量。BEC张量描述了原子位移对系统极化的贡献,是连接原子微观运动和宏观介电、光学性质的关键桥梁。通过引入一个可训练的高频介电常数参数对预测电荷进行缩放,qNEP可以直接计算出每个原子的BEC张量。这一功能使得qNEP能够用于:1) 计算系统的介电函数;2) 预测红外光谱;3) 模拟离子在电场作用下的电导率;4) 将系统与外部电场进行自洽耦合,从而研究场致效应。
2.5. 损失函数与训练
在训练qNEP模型时,除了标准的拟合能量和力的损失项,还引入了额外的正则化项来惩罚对电荷守恒定律的违反,并可选择性地加入对BEC预测值的约束。这确保了模型在模拟过程中能够产生物理上合理的电荷分布。
2.6. 静电相互作用的计算实现
为了高效地计算周期边界条件下的长程静电相互作用,研究在GPUMD中实现了两种方法:传统的Ewald求和以及更高效的粒子-粒子粒子-网格(PPPM)方法。比较表明,PPPM方法,特别是对于大规模体系,能显著降低计算成本,使qNEP的模拟速度仅比同等训练的纯NEP模型慢1.5到3倍,同时提供了远胜于纯短程模型的物理功能和精度。
3.1. 对水的应用
研究人员首先将qNEP应用于水体系。训练得到的qNEP模型在预测液态水的结构、动力学性质(如扩散系数)以及红外光谱方面,与从头算分子动力学结果和实验数据高度吻合。更重要的是,qNEP成功预测了水分子中氢和氧原子的BEC张量,其各向异性特征与第一性原理计算结果一致。这证明了qNEP能够准确描述水这种强极性、氢键体系的复杂静电行为。
3.2. 对Li7La3Zr2O12(LLZO)的应用
LLZO是一种重要的固态电解质材料。研究展示,qNEP模型能够精确再现LLZO的晶体结构、弹性性质以及声子谱。通过计算BEC,qNEP预测的LLZO静态介电常数与第一性原理计算结果非常接近。这显示了qNEP在复杂氧化物材料,特别是涉及离子输运的体系中的适用性。
3.3. 对BaTiO3的应用
BaTiO3是一种经典的铁电材料,其性质强烈依赖于离子极化和长程静电关联。qNEP模型成功描述了BaTiO3的四方相结构,并准确预测了其自发极化和铁电软模。计算得到的介电常数与第一性原理结果相符,表明qNEP能够捕捉铁电体中的关键静电物理。
3.4. 对镁-水界面的应用
最后,研究考察了qNEP在异质界面体系中的应用。镁-水界面是腐蚀电化学中的一个重要模型体系。qNEP模型很好地描述了界面的结构和动力学,并展示了电荷在界面处的重新分布。这证明了qNEP在处理具有显著电荷转移和界面效应的非均相体系方面的潜力。
研究结论与讨论
本研究成功开发并验证了qNEP,这是一种将显式、环境依赖的电荷整合到高效神经进化势框架中的新型机器学习势函数。qNEP的核心创新在于,它将部分电荷作为模型的隐特征进行学习,并通过对极化求导直接得到玻恩有效电荷,从而避免了传统方法中对参考电荷的依赖或耗时的自洽电荷平衡计算。理论推导确保了力、维里以及与电场耦合的物理自洽性。在开源GPUMD软件包中的高效实现,特别是对PPPM算法的支持,使得qNEP在计算效率上极具竞争力。
通过对水、LLZO、BaTiO3和镁-水界面等一系列代表性体系的应用,研究充分证明了qNEP在精度和效率上的优越性。qNEP不仅能够准确预测这些体系的结构、能量和力学性质,更能直接计算其介电响应、红外光谱等与静电密切相关的物理量,并实现与外加电场的耦合模拟。这些功能使得研究人员能够以前所未有的规模和时长,模拟那些对长程静电作用敏感的关键物理和化学过程,例如离子传导、缺陷动力学、介电驰豫和场驱动相变等。
总之,qNEP在物理保真度与计算效率之间取得了卓越的平衡,为在广阔的材料体系和时空尺度上进行可预测的原子模拟提供了一个强大而统一的框架。它将有力地推动对能源材料、介电材料、铁电体、电解质以及固-液界面等复杂体系的基础研究和工程应用探索。