1标题：涵盖卤化物钙钛矿、金属有机框架、二维碳同素异形体与生物分子构象的几何截断特征与主动学习拓展的轨道团簇展开

《Journal of Chemical Theory and Computation》：Geometric Cutoff Features and Active Learning Extend Orbital Cluster Expansions across Halide Perovskites, Metal–Organic Frameworks, Two-Dimensional Carbon Allotropes, and Biomolecular Conformers

　　

摘要译文：轨道团簇展开（OCE）在生物分子基准测试中以线性回归的成本达到了神经网络势的精度，但其仅基于拓扑的基组在固定连接性下对几何变化不敏感，并且在分布外环状结构上失效。研究人员添加了三类几何特征——距离分箱的原子对计数（CT2F）、距离分箱的静电相互作用（Madelung-CT2F）以及角向三元组（CT3F）——结合基于自举方差的主动学习协议并引入基组充分性过滤器，以及针对GFN2-xTB基线的Δ学习扩展。推荐的Wave-1.5基组为1F+2F+3F+CT2F+MADCT2F+CT3F；在部分电荷不可用的情况下（如肽段），一次GFN2-xTB单点计算即可为MADCT2F提供每个构象体的Mulliken电荷，耗时约28毫秒每构象体。验证结果如下：（i）碳同素异形体分布外均方根误差（RMSE）从596降至97 meV每原子（?84%），使用26个特征，而12特征的Behler–Parrinello对称函数基线为87 meV每原子，但该基线缺乏OCE的多元素可转移性和部分电荷通道；（ii）PEPCONF基准中三肽的父代内排序?ρ?在CT2F下从0.10提升至0.38，在完整Wave-1.5下进一步升至0.54（累计提升5.4倍），二硫化物从0.24升至0.57，五个类别中有四个类别的父代内RMSE降低了15–33%；（iii）卤化物钙钛矿的RMSE在Wave-1.5下从172降至63±10 meV每原子（均值±标准差，20次重划分，?63%；在20/20次划分中均优于1F+2F基线），应变留出集从577降至181 meV每原子（ρ从0.19升至0.87），在Δ学习下降至152 meV每原子（ρ=0.91）；Cs/K族差异通过Madelung-CT2F得到解决；主动学习循环从210收敛至116 meV每原子；（iv）QMOF金属有机框架的总能量RMSE从74降至60 meV每原子（?19%），带隙RMSE从0.623降至0.552 eV（R²从0.61升至0.69），确立了带隙作为筛选目标。推理时间仍处于微秒量级，比GFN2-xTB、DFTB+和DFT快三到五个数量级。

论文解读：轨道团簇展开的几何特征拓展及其在多类材料体系中的验证

**一、研究背景与问题**

从头算能量的计算代理模型构建是分子与材料模拟领域长期以来的核心挑战。现代神经网络原子间势（NNIP）如ANI-2x、SchNet、Allegro和MACE系列能够在多样化的化学体系中以每原子几meV的精度复现密度泛函理论（DFT）总能量，但依赖10⁴至10⁷条参考结构的训练数据，且其消息传递架构不透明、难以进行化学解释。团簇展开（CE）方法则占据互补地位：它是在位点占据变量的乘积上进行的严格线性回归，具有明确的对称性处理和规模小、可解释的基组。近期研究引入的轨道团簇展开（OCE）将CE的构建从物种占据变量提升为从每个元素的单次半经验计算获得的局域原子轨道本征能量，并证明仅需数百个物理驱动的特征进行岭回归，即可在SPICE 2.0生物分子基准上以小数量的训练集匹配MACE-OFF和ANI-2x的精度。

然而，原始的OCE基组存在三个明确的局限性。第一为构象盲区：同一分子的不同构象体共享连接性，因此具有基本相同的图形分解，线性模型预测的每个母体能量近似恒定，SPICE子集中的构象内Spearman相关系数降至?ρ?≈0.07。第二为分布外失效：当留出结构含有训练中未出现的环状修饰时，图形空间包含零支撑列，留出RMSE相对分布内情况上升至3至5倍。第三为力平衡病态：Wolfsberg–Helmholz二图形近似在r趋近于零时单调增强成键，结合正岭系数在GFN2-xTB平衡几何处产生大的不平衡力（最大力的绝对值约12–17 eV ?^–1），导致BFGS优化中键长崩溃而非收敛。针对前两个局限，该研究提出了最小侵入式的OCE管线扩展。

**二、研究内容与主要结论**

该研究针对OCE基组的几何不敏感性和分布外泛化缺陷，引入了三类几何特征。第一类是几何截断二图形特征（CT2F），在固定物理截断半径内枚举所有原子对并按原子间距离分箱，不依赖键感知，能够捕获固定连接性下的几何重组和非键接触。第二类是距离分箱Madelung特征（MADCT2F），将原始OCE的单一标量Madelung列解析为每个（元素对，距离箱）组合一个特征，用于捕获离子体系中的静电信息。第三类是角向CT3F特征，通过几何方式枚举满足截断条件的三元组，取每个（中心、臂、角度箱）签名内cos θ的均值，去除对键感知的依赖。研究者还开发了基于自举方差的主动学习协议，结合基组充分性过滤器——当基组无法表示某子空间时将该区域排除在候选池之外。此外还建立了针对GFN2-xTB基线的Δ学习扩展，以及利用GFN2-xTB单点计算提供部分电荷的通道。

论文发表于《Journal of Chemical Theory and Computation》，在四类材料体系上验证了扩展管线的有效性：243个卤化物钙钛矿超胞（SIESTA-PBE参考能量）、来自QMOF数据库的2,906个金属有机框架（PBE+D3(BJ)参考能量）、1,114个二维碳同素异形体（DFTB+参考能量）以及来自SPICE 2.0数据集的3,385个二肽构象体（ωB97M-D3BJ/def2-TZVPPD水平）。此外还在PEPCONF基准的全部五个构象体类别上应用了CT2F扩展。

**三、关键技术方法**

研究采用了以下主要技术方法：（1）几何截断二图形特征（CT2F）——在固定5 ?截断内按距离分箱的原子对计数，不依赖键感知；（2）距离分箱Madelung特征（MADCT2F）——对每对元素的每个距离箱求库仑相互作用，需输入部分电荷；（3）角向CT3F特征——对中心原子周围满足距离条件的原子三元组，以均值归一化方式统计cos θ分布；（4）自举方差主动学习——通过50次自举重采样的岭回归预测标准差选择下一批参考计算样本，并引入基组充分性过滤器；（5）Δ学习——以GFN2-xTB半经验方法为基线，拟合DFT与GFN2-xTB能量之差。样本来源包括SIESTA-PBE计算的卤化物钙钛矿超胞池、QMOF数据库、已发表的碳同素异形体库以及SPICE 2.0和PEPCONF基准数据集。

**四、研究结果**

**1. 分布外精度提升：碳同素异形体**

在二维碳同素异形体上使用24个未见环签名实例作为分布外测试，留出RMSE从596 meV每原子降至119 meV每原子（Wave-1，降幅80%），进一步加入Wave-1.5特征后降至97 meV每原子（累计降低84%），仅使用26个特征。相比之下，536特征的键基角向3F基组反而使分布外误差从251升至596 meV每原子，表明几何枚举的三元组携带了基于键感知的三元组无法外推的角向信号。与12特征Behler–Parrinello对称函数（ACSF）线性基线（87 meV每原子）相比，Wave-1.5在单基准上略高，但Wave-1.5无需逐元素超参数扫描即可扩展至多元素体系，并直接编码部分电荷信息。

**2. 构象排序能力恢复：PEPCONF跨泛函验证**

在独立PEPCONF基准上（LC-ωPBE-XDM/aug-cc-pVTZ水平），基线1F+2F+3F基组在二肽上的父代内排序ρ仅0.28，证实了拓扑基组的构象盲区。加入CT2F后，五个类别中四个类别的父代内排序显著提升：三肽从0.10升至0.38（3.6倍提升），二硫化物从0.24升至0.57（2.4倍提升），二肽从0.28升至0.35，生物活性片段从0.24升至0.61。完整Wave-1.5基组配合GFN2-xTB Mulliken电荷将三肽?ρ?进一步提升至0.54（累计提升5.4倍），亲本内RMSE在四个类别上降低15–33%。循环肽类别基线已达0.87的饱和状态，CT2F无进一步提升但绝对误差仍下降33%。该结果直接反驳了原始OCE的“构象盲区”框架。

**3. 精度与协议验证：卤化物钙钛矿**

在243个钙钛矿超胞上，Wave-1.5基组（384特征）在20次随机重划分上的留出RMSE降至63±10 meV每原子，相对1F+2F基线降低63%，在全部20/20次划分上胜出。应变子集RMSE从577降至181 meV每原子，Spearman相关性从0.19升至0.87。MADCT2F是主要贡献者，解决了此前K基家族与Cs基家族之间的RMSE差异（KGe从75降至22 meV每原子，KSn从121降至38）。KPb仍为残差最大的家族（78 meV每原子），归因于铅的6s²孤对效应。主动学习循环在基组充分性过滤器启用后实现单调收敛，非应变测试集RMSE从210（93个训练样本）降至116 meV每原子（230个训练样本），Spearman相关性从0.939升至0.976。每增加一个结构的边际收益递减（1.41→0.59→0.25 meV每原子），符合主动学习饱和规律。

**4. 新性质预测目标：QMOF带隙**

QMOF总能量在基线基组下排序已饱和（ρ=0.9998），但MADCT2F仍将绝对RMSE降低19%（74→60 meV每原子），说明排序饱和不等于RMSE饱和。更重要的发现了带隙作为筛选目标：基线1F+2F+3F的带隙RMSE为0.623 eV（R²=0.606），Wave-1.5降至0.552 eV（R²=0.691，ρ=0.827），主要贡献来自角向CT3F类。与文献中深度学习模型的0.3–0.4 eV带隙RMSE相比，Wave-1.5线性回归在秒级拟合并保持可解释特征向量的同时，达到约1.4倍的RMSE水平。

**5. 目标保真度与Δ学习**

通过受控交换实验分离了三个通道的影响：原子参考轨道能量通道对结果几乎无影响（R2变化≤0.004），因为线性拟合吸收了乘法常数；几何通道在排序任务上同样惰性；回归目标通道则决定性地控制异构体排序——当目标从GFN2-xTB切换为混合DFT标签时，原本因目标噪声受限的C₆H₁₄链支化排序（ρ=1.000）和环氧化物应变排序完全恢复。Δ学习在应变外推子集上使RMSE从180.8降至152.4 meV每原子（?16%），Spearman相关性从0.868升至0.912；在碳分布外环签名上使Spearman相关性从0.86升至0.99，但绝对RMSE因簇-周期表面能失配而膨胀。分块重划分实验确认了CT2F增益的稳健性，显式外推测试表明CT2F对未见环签名和未见组分具有泛化能力，而MADCT2F为分布内精细化特征。

**五、讨论与结论**

讨论部分的核心观点是：Wave-1.5扩展按声明类型提供不同的增益——精度增益（碳分布外）、排序增益（PEPCONF）、精度加协议增益（钙钛矿）和性质增益（MOF带隙）。四种声明类型对应拓扑OCE的四种物理失效模式：键图不变的几何重组、次级非键接触、长程静电重排和取向分辨的电子结构。CT2F捕获前两类，MADCT2F捕获第三类，CT3F捕获第四类。信噪比是构象内排序的限制因素：当参考能量展宽远超特征噪声底（如循环肽28.6 kcal mol^–1）时，基线基组即使不加扩展也能达到高排序精度；当参考展宽接近噪声底（如MD淬灭二肽约0.5 kcal mol^–1）时，任何基组都难以恢复排序。主动学习协议必须结合基组充分性诊断，因为自举方差反映模型不确定性而非可学习性。

研究结论总结为：几何截断特征闭合了OCE基组的拓扑盲区，恢复了碳同素异形体的分布外精度，挽救了拓扑基组在肽段构象排序上的失效模式，解决了卤化物钙钛矿的离子族和应变区域问题，并将方法扩展到MOF带隙这一新性质预测目标。三个特征类互补而非可互换，重复划分和显式外推测试确认了增益的稳健性。整个过程中估计器始终保持为单次线性回归，具有亚毫秒、无需梯度的推理速度和相对DFT及紧束缚引擎三至五个数量级的速度优势。基组的剩余结构性限制——力平衡病态——留待后续引入方向性Slater–Koster通道和Born–Mayer短程排斥来解决。该管线可立即用于离子钙钛矿光伏的性质分流、MOF带隙筛选、分布外碳网络设计和肽段构象排序等实际应用。