基于几何的神经网络预测致密氢中电子局域函数拓扑

《Chemistry – A European Journal》：Geometry-Based Neural-Network Prediction of Electron Localization Function Topology in Dense Hydrogen

　　

研究人员开发了一种机器学习框架，用于直接从原子几何结构预测纯致密氢的电子局域函数（ELF），从而绕过显式的电子结构计算。该模型基于涵盖致密流体氢中多个压力区间的第一性原理数据进行训练，实现了高精度（决定系数R²=0.992），并忠实再现了ELF的全局分布。结合实空间和倒易空间的分析表明，残差误差由平滑的长波分量主导，其相干长度超过典型的H─H键长尺度，且这些分量的幅度随压力系统性地增大。尽管该模型仅在致密流体氢网络上训练，但它能稳健地迁移到晶体氢构型，保留了ELF拓扑的关键特征，包括临界点和氢网络连通性。综合这些结果，该研究提出了一条可行的路径，用于基于几何结构对流体氢和晶体氢中的氢网络特性进行高通量评估。

**研究背景与动机：**
自Wigner和Huntington提出分子氢在极端压缩下可能转变为原子金属固体的开创性假设以来，氢金属化一直是致密物质物理学的核心问题。电子简并、强量子效应和结构复杂性共同挑战着电子结构理论与高压实验。氢被预期展现高温超导等奇特性质，并在巨行星内部模型和磁场产生中扮演关键角色。然而，金属化压力及其微观机制仍存在广泛争议。在液相中，动态压缩和光学实验报道了致密氢的绝缘体-导体转变，常以液-液相变（LLT）讨论，但不同实验诊断得出相互矛盾的转变特征和压力范围。理论研究利用密度泛函理论（DFT）和量子蒙特卡洛（QMC）模拟试图阐明LLT，但转变附近的长空间和时间关联使这些从头算方法对有限尺寸效应、模拟时长和方法选择高度敏感，阻碍了对LLT的确定表征。为克服从头算分子动力学（AIMD）的尺寸和时间限制，研究人员开发了基于第一性原理数据训练的机器学习原子间势，以实现大规模模拟。然而，当前机器学习框架的一个显著局限是无法直接访问电子成键信息。在致密液态氢中，分子特征越来越被视为动态和统计的基序，而非明确化学物种的集合；短H─H距离并不唯一地表示稳定分子键合。电子描述符（如电子局域函数ELF）能够直接量化电子局域化和配对，为超越纯几何标准表征成键提供补充途径。但ELF依赖轨道级量，计算成本高昂，因此需要基于几何结构的策略来高效预测电子成键度量。本研究的目的是通过将压缩液态氢的AIMD数据与基于局部几何描述符的机器学习预测相结合，直接预测ELF拓扑，从而解决这一瓶颈。

**研究内容与结论：**
研究人员开发了一个多层感知机（MLP）回归模型，基于局部几何描述符（类似于光滑重叠原子位置SOAP和Behler–Parrinello对称函数）预测致密氢中三维ELF场。训练数据来自三个压力条件（76.0、115.1和138.5 GPa，1500 K）下500原子AIMD模拟的平衡构型，每个构型随机选取50,000个网格点，共150,000个训练点。模型在验证集上达到平均绝对误差（MAE）0.0190、均方根误差（RMSE）0.0271、决定系数R²=0.992，并忠实再现ELF全局分布。残差分析表明，误差由平滑的长波分量主导，其相干长度超过键长尺度，且幅度随压力增加。这些长程分量可通过在logit空间中施加带限傅里叶校正有效捕获，尽管其幅度仅占总场的约8–9%。模型对晶体氢（立方和六方结构）也表现出稳健的迁移能力，预测的氢网络化值（networking value）与DFT参考值高度一致（立方结构R²=0.92，六方结构R²=0.86），并成功保留了ELF拓扑的关键特征（临界点和网络连通性）。该工作发表在《Chemistry – A European Journal》。重要意义在于：完全绕过了Kohn–Sham轨道或动能密度的显式计算，将计算成本降低数个数量级，为高通量探索氢基超导材料提供可行途径。

**关键技术方法：**
1. **局部几何描述符构建**：基于网格点的原子邻域密度，采用高斯径向基函数和实球谐函数展开，通过功率谱得到旋转不变的特征向量（类似SOAP方法），截断半径3.0 ?，10个径向基函数，角动量截止l_max=4。
2. **神经网络模型**：两层隐层（各128神经元，SiLU激活）的MLP回归器，以Huber损失训练，AdamW优化器，80个训练周期，批量大小4096。
3. **残差的长程校正**：在ELF的logit表示中施加带限傅里叶展开（截止波矢k_max），通过最小二乘拟合残差，分离局部描述符未捕获的集体非局域成分。
4. **氢网络化值计算**：利用Critic2和TcEstime框架分析ELF等值面拓扑，提取晶体跨网络连通性所需的最高ELF等值面，并估算超导临界温度T_c。
（注：样本队列来自AIMD模拟的致密流体氢，晶体结构通过RandSpg代码随机生成并优化。）

**研究结果**
***3.1 性能（Performance）***
模型训练80个周期后收敛，验证MAE稳定。预测值与DFT参考值高度吻合（MAE=0.0190，RMSE=0.0271，R²=0.992），误差分布无系统偏差，且在多次随机种子重复中表现稳健。中间ELF值（接近均匀电子气HEG值0.5）的预测偏差稍大，而高度局域化（ELF≈1）和强烈耗尽（ELF≈0）区域精度更高。

***3.2 残差来源（Origin of the Residual）***
通过实空间二维切片和傅里叶分析揭示，局部描述符模型残差并非随机，而是由平滑的长波分量主导，相干长度数埃，超过典型键长。残差的傅里叶谱集中于小波矢，无各向异性。引入logit空间中的带限傅里叶校正（截止波矢k_max）后，MAE显著降低，且随压力升高所需截止波矢增大。长程校正幅度仅占总场约8–9%，但集中于中间ELF区域。在138.5 GPa下，校正贡献的空间分布显示ELF极大值之间形成连续网络，揭示了压力诱导电子离域化的机制。

***3.3 ELF网络化验证（ELF Networking Validation）***
模型被应用于随机生成的立方和六方晶体氢结构（100 GPa优化）。点态ELF预测的R²值在立方结构中平均0.96，六方结构中平均0.94。网络化值的预测与DFT参考值高度相关（立方R²=0.92，六方R²=0.86）。分子氢结构（如I3?d）网络化值预测准确；存在三维离域ELF网络的P4?m2结构，尽管点态ELF略有系统偏移，但网络化值仍接近（ML:0.64 vs DFT:0.59）。最严重失败案例出现在六方P3?m1结构，一维氢链与原子层间存在大间隙，局部描述符无法感知，导致预测偏差。但在实际结构搜索中，此类结构通常因能量不稳定而被排除。

**总结讨论：**
各部分结果共同表明，基于局部几何描述符的ML模型能够以高精度预测致密氢体系的ELF场，并稳健地提取拓扑描述符（网络化值）。残差分析揭示了由长波集体效应引起的系统性误差，可通过傅里叶校正描述，但即使不校正，网络化值仍保持定量意义。模型完全绕过了传统ELF计算所需的轨道级量，实现了数量级的计算加速。该框架可与机器学习原子间势耦合，实现大规模分子动力学模拟中成键拓扑的分析，并有望扩展到金属掺杂富氢化合物，其中氢亚晶格主导成键连通性。

**研究结论：**
研究人员已证明，一个仅基于局部几何描述符的机器学习模型能够在多个压力区间以高精度预测致密富氢体系的ELF，达到R²=0.992，同时忠实再现全局ELF分布。对残差的系统分析表明，剩余误差并非随机，而是由平滑的长波分量引起，其相干长度超过典型键距，且幅度和空间范围随压力增加。这些非局域贡献可通过在logit表示中施加带限傅里叶校正高效捕获，尽管仅占总场幅度的一小部分。重要的是，基于ELF的拓扑描述符（特别是氢网络化值）在结构化残差存在时仍保持稳健，从而能够在大范围构型中可靠表征氢键拓扑。虽然本研究聚焦于单质氢，但这些观察表明类似方法可能适用于氢亚晶格主导成键连通性的富氢化合物，从而激励在更复杂化学环境中的未来探索。该框架的一个关键优势是完全绕过了传统ELF评估所需的Kohn–Sham轨道或动能密度的显式计算，而是直接从原子几何推断ELF，相对于常规第一性原理工作流实现了数量级的计算成本降低。与早期仅基于密度的ELF近似尝试相比，该方法在不依赖波函数级信息的情况下实现了高保真度，使其非常适合高通量和探索性研究，在这些研究中直接电子结构计算在计算上不可行。