基于可视化驱动的构型同构取代合金能量学的物理信息建模及其迁移性验证

《Results in Physics》：Visualization-driven physics-informed modeling of energetics with demonstrated transfer between configurationally isomorphic substitutional alloys

　　

取代合金对第一性原理建模提出了根本性挑战，因为不同的化学构型数量随体系尺寸呈组合式增长。研究人员表明，对于此处考虑的刚性晶格上的取代过渡金属合金，构型能量学表现出大程度的低维且近似准加和特性。利用1337次Fe/Mn体系的密度泛函理论(DFT)计算，物理引导的数据可视化揭示能量变化受位点依赖性化学取代和全局磁效应支配，而结构自由度被有效冻结。受这些观察启发，研究人员构建了一个紧凑的、位点分辨的能量模型，明确反映了潜在的物理结构。简单的线性公式实现了高预测精度(RMSE = 1.03 × 10?3Ry, R2= 0.959)，同时在个体取代位点和磁贡献方面保持完全可解释性。由于该表示仅依赖于晶格拓扑和位点身份，它可以以零样本方式迁移到化学不同但构型同构的Co/Ni体系。在严格的零样本设置中，尽管绝对能量尺度存在巨大差异，该模型在化学体系间保持了相对的能序(Spearman ρ ≈ 0.832)。通过使用少量额外参考计算进行少样本校准，定量精度得到显著提升。这些结果表明，可视化驱动的物理洞察使得针对此处研究的取代合金能够建立紧凑、可解释和可迁移的建模策略，为黑箱方法提供了数据高效的替代方案。

研究背景与意义

尽管当代机器学习(ML)方法具备令人印象深刻的预测精度，但许多方法依赖高容量、数据密集型的架构，物理可解释性有限且在训练域外鲁棒性降低。近年来包括基于描述符的回归器、图神经网络、消息传递架构和等变模型等旨在直接从原子结构和局部化学环境学习的手段，常将结构属性关系编码在高维潜在空间中，难以识别其预测背后的潜在物理机制或评估应用于新化学体系时的可靠性，因此在相关材料体系间实现可靠迁移性仍是预测性材料建模中的开放挑战。对于取代合金，经典的团簇展开方法虽具物理基础但需仔细选择相互作用项及广泛的体系特定拟合，且在不重新参数化的情况下不能自然推广到化学不同的体系。近期探索的迁移学习多通过模糊物理解释的潜在表示实现，且通常需要数十至数百次额外参考计算。在此背景下，研究人员开展了一项物理信息机器学习(PIML)框架研究，针对定义在相同晶格拓扑但化学成分不同的取代过渡金属合金，仅在Fe/Mn数据集上训练后无需重新训练即迁移至Co/Ni体系。该研究得出构型能量学可由加和性位点贡献近似描述，线性物理信息模型在源体系具高精度与可解释性，在目标体系零样本中保持能序而在少样本校准后恢复定量精度的结论。此研究发表于《Results in Physics》，其意义在于提供了一种兼顾物理可解释性、数据高效与跨体系迁移能力的建模范式，弥补了黑箱模型与纯物理计算间的鸿沟。

主要关键技术方法

研究人员采用Supercell程序生成1337个对称性不等价的Mn/Fe构型及96个Co/Ni构型，均基于立方尖晶石晶格(MnFe₂O₄及NiCo₂O₄)且固定晶格参数与原子位置仅改变阳离子亚晶格占位。第一性原理计算在密度泛函理论(DFT)平面波赝势形式下使用Quantum ESPRESSO完成，采用PBE泛函与GBRV超软赝势，动能截断40 Ry，电荷密度截断400 Ry，Monkhorst–Pack k点网格6×6×6，Marzari–Vanderbilt展宽宽度0.05 Ry，自旋极化框架下收敛阈值10^?8Ry。构建的物理信息描述符包含18个活性取代位点的二进制占位向量及全局绝对磁化强度(M_abs)与总磁化强度(M_tot)。模型架构包括线性物理信息模型(PIML)与含两层隐藏层(64及32神经元，ReLU激活)的前馈神经网络(NN)，损失函数为均方误差(MSE)，采用Adam优化器，线性模型与正则化/非正则化NN对比，评估指标含RMSE、MAE、R²及Spearman秩相关(ρ)，迁移协议分零样本直接预测与少样本(k=5~40)线性校正(E_Co/Ni= m × E_pred+ n)。

研究结果

Advanced data visualization revealing hidden physical structure

研究人员通过对1337个Fe/Mn构型的总能量分布、相对能量与绝对磁化强度相关性、结构相似性(RMSD)及位点分辨化学取代的分析揭示：能量分布窄且单峰约0.03 Ry；相对能量ΔE与绝对磁化强度呈近似线性相关，磁贡献影响构型稳定性；RMSD分布极窄且与ΔE无关联，证实结构畸变对能量变化无显著贡献；56个位点中仅18个发生Fe/Mn取代，构型空间离散组合；线性位点模型解释约71%能量方差(R²≈0.71)，仅活性位点系数显著；仅两位点取代的配置对绝对能量差|ΔE|可达～0.016 Ry均值约0.0035 Ry，显示强位点特异性敏感度。综上原子几何有效冻结，能量变化源于离散位点化学取代及系统磁效应，支持基于位点占位与磁化的低维物理信息表示。

Physics-informed representation of the configurational space

研究人员构建仅含18活性位点二进制占位变量s_i(+1/-1编码物种A/B)及全局磁描述符(M_abs, M_tot)的输入向量x，排除无关几何噪声，降维至18+2特征。该表示源于线性位点分析，能量变化大致可加和且磁化补充系统贡献，支持线性与非线性模型，其结构与化学无关仅依赖晶格拓扑与位点索引，具备零样本与少样本迁移基础，具物理可解释性、降维、排噪与迁移灵活性优势。

Physics-informed ML model

研究人员定义目标为相对总能量y=ΔE，采用线性基线模型y=Σ_i∈As_i×ω_i+ α_abs×M_abs+ α_tot×M_tot+ b（ω_i为位点能系数，α为磁耦合系数）及非线性浅层NN与L2正则化NN。所有模型最小化MSE，数据集按80%/10%/10%划分训练/验证/测试并重复10次随机分割。线性PIML在Fe/Mn测试集达RMSE=0.0157±0.0008 eV，MAE=0.0115±0.0005 eV，R²=0.949±0.007；非正则化NN过拟合严重(RMSE=0.159±0.018 eV，R²=?4.38±1.56)；L2正则化NN居中(RMSE=0.041±0.015 eV，R²=0.598±0.391)。线性模型位点系数ω_i范围?0.02~+0.02 eV，磁系数α_abs=0.177 eV/μ_B大于α_tot=0.123 eV/μ_B，残差近零无偏。

Influence of magnetic descriptors

研究人员通过消融实验对比仅占位、仅磁化及全描述符的线性PIML：仅占位RMSE=0.0363 eV，R²=0.7288；仅磁化RMSE=0.0228 eV，R²=0.8931；全PIML RMSE=0.0140 eV，R²=0.9595。表明磁化信息与占位互补，磁态与总能量强耦合，磁描述是必要物理修正而非冗余输入。

Transfer learning performance

研究人员在零样本下将Fe/Mn训练的线性PIML直接用于Co/Ni，Spearman ρ=0.832显示相对能序保留，但因绝对能量基准差异致RMSE=3624 eV、R²=?7.1×10⁴。少样本校准用k个Co/Ni参考点拟合线性变换E_Co/Ni=m×E_pred+n，k=5时RMSE降至0.095 eV，k=40时约0.052 eV，误差降超99.9%，Spearman ρ保持0.832不变。校准后预测与DFT能对齐，误差分布由零样本大偏移(μ=17.850 eV)变为近零尖峰(μ=0.012 eV)，平均误差减94.4%。

Discussion of transferability mechanisms

研究人员归纳迁移成功因素：描述符不变性（仅依赖晶格拓扑与位点索引而非化学物种）；物理可解释性（线性系数对应位点能偏好，在相关过渡金属体系呈系统趋势）；最小校准需求（仅需缩放m与偏移n两参数校正能量尺度）。表明等结构取代合金的构型物理可被化学不可知表示捕获，化学特异性主要通过系统缩放因子进入。

Implications for materials discovery

研究人员指出零样本排序保持与少样本校准结合可实现新体系初步筛选无需目标计算、数十而非数千次参考计算获定量精度、位点分辨贡献提供取代影响稳定性的物理洞察，架起了经验模型与纯物理模型间数据高效加速发现的中介。

结论部分翻译总结

研究人员在结论中表明，通过可视化驱动的基于低维位点描述符与全局磁信息的物理信息机器学习为构型拓扑保留的取代合金体系提供了准确可解释的框架，并对构型同构体系迁移性给出验证路线。通过对1337个Fe/Mn DFT构型系统化可视化，确定构型能量学由位点特异性化学取代与磁效应主导且结构自由度有效冻结，由此发展的紧凑线性模型达极高精度(RMSE=1.03×10^?3Ry, R²=0.959)且具位点与磁分辨可解释性。该物理信息表示实现了所检构型同构合金对(Fe/Mn→Co/Ni)的演示性迁移：零样本下保持能序(Spearman ρ=0.832)，少样本校准(5–40次参考计算)恢复定量精度(RMSE≈0.05 eV)。结果展示了一种优先物理可解释与迁移性胜于复杂度的数据高效预测材料建模框架，通过将模型架构与取代合金内在低维物理对齐，较复杂非线性替代方案具竞争力表现。未来可扩展至三元/四元体系、结合主动学习、应用于动态属性及自动描述符发现，公开数据与流程便于透明验证与扩展应用，结合物理洞察与现代ML推进材料发现中更可解释高效可迁移的预测模型。

需要我帮你把这篇论文解读里的关键专业术语整理成一个带解释的词汇表吗？