基于转移学习的第一性原理计算体积尺寸因子精化研究

《Materialia》：Transfer-learning-based refinement of volume size factors from first-principles calculations

　　

体积尺寸因子（Volume Size Factor, VSF）是与晶格畸变及固溶强化等相关现象密切相关的关键描述符。然而，由于制备固溶体的难度和成本较高，实验VSF数据仍然稀缺，而第一性原理计算在特定合金体系中通常与实验存在系统性偏差。本研究表明，这些偏差可被视为可学习的物理信息，而非随机误差。为此，研究人员开发了一种转移学习（Transfer Learning, TL）框架，利用有限的实验数据对第一性原理VSF预测进行精化，同时保持外推可靠性。研究人员对1998个二元固溶体体系进行了第一性原理计算，生成了迄今报告的最大规模VSF数据集之一。系统评估了六种转移学习策略和六种机器学习（Machine Learning, ML）模型在泛化与外推性能方面的表现。传统机器学习方法在实验数据分布之外出现显著退化，而基于变换的方法在外推条件下保持了预测可靠性。帕累托（Pareto）分析识别出在实验一致性与第一性原理计算一致性之间取得最佳平衡的模型，并采用其集成平均值构建最终精化VSF数据集。描述符分析表明，第一性原理与实验VSF之间的偏差主要由电子结构相关因素主导，尤其是溶质元素的周期，提示传统第一性原理方法对相对论效应和强电子关联的处理不足。所提出的框架为整合第一性原理计算与实验数据以实现可靠合金设计提供了一条实用路径，精化数据集可为先进结构合金（包括高熵合金）的设计与探索提供有用资源，尤其适用于实验上尚未探索的合金体系。

**论文解读：基于转移学习的第一性原理计算体积尺寸因子精化**

**1. 研究背景与问题**

体积尺寸因子（Volume Size Factor, VSF）是描述溶质原子引入对基体晶格体积效应的重要材料参数，与固溶强化、扩散行为、相位稳定性及晶界偏析等密切相关。VSF的准确获取对合金设计至关重要，然而实验VSF数据因固溶体制备困难且成本高昂而极为稀缺。第一性原理计算虽可在受控条件下系统生成数据，但在特定合金体系中与实验测量存在显著偏差，例如Fe-X合金体系。此外，传统机器学习（Machine Learning, ML）模型在外推至未explored合金体系时往往表现不佳。因此，亟需一种能够整合第一性原理计算知识与有限实验数据的学习框架，以同时缓解实验数据稀缺与ML模型外推能力不足的问题。

**2. 研究目标与总体框架**

本研究旨在实现三个目标：第一，量化评估第一性原理计算VSF在大规模二元固溶体体系中的预测精度；第二，建立基于转移学习（Transfer Learning, TL）的高泛化性与高外推性能VSF预测框架；第三，构建大规模、高可靠性VSF数据集。本研究的创新之处在于将第一性原理预测与实验测量之间的偏差视为可学习的物理信息，而非随机误差，并通过转移学习框架对这一偏差进行建模和修正。

**3. 关键技术与方法**

研究人员对包含37种溶剂元素和55种溶质元素共1998个A-B二元固溶体体系进行了第一性原理计算，采用基于密度泛函理论（Density Functional Theory, DFT）的CASTEP（Cambridge Serial Total Energy Package）代码，使用广义梯度近似（Generalized Gradient Approximation, GGA）中的Perdew-Burke-Ernzerhof (PBE)泛函描述电子交换关联能，并通过BFGS（Broyden-Fletcher-Goldfarb-Shanno）算法进行离子弛豫。实验数据集源自King编纂的VSF数据，经过一致性筛选后获得358个有效实验数据点。ML模型输入描述符基于48种元素物性，通过五种数学运算生成共311个描述符。研究人员系统评估了六种转移学习策略（NoTransfer、FENN、LININT、PRED、OFFSET、SCALE）与六种ML模型（多元线性回归MLR、核岭回归KRR、支持向量回归SVR、随机森林回归RFR、轻量梯度提升机LGBM、人工神经网络ANN）的组合性能，利用嵌套交叉验证评估泛化性能，并采用单类支持向量机（One-Class Support Vector Machine, OCSVM）划分插值域与外推域以评估外推性能。

**4. 主要研究结果**

**4.1 第一性原理计算精度评估**

第一性原理计算得到的纯溶剂原子体积与实验值高度一致（R2=0.993）。然而，1998个二元体系的第一性原理VSF与358个实验数据之间的整体R2仅为0.680，显著低于纯金属的一致性。图4按溶剂元素分组显示R2值，发现Be-X、Fe-X、Rh-X、Ba-X、Os-X和Ir-X等体系的R2值极低甚至为负，这些体系是导致整体R2偏低的主要原因。相反，大多数合金体系（如Al-X、Ca-X等）的R2超过0.8，表明第一性原理计算在多数体系中与实验吻合良好。通过对比文献中已有第一性原理VSF数据（Al-X、Cu-X、Ni-X、Fe-X等体系），各研究之间的R2均超过0.8，显示第一性原理计算之间高度一致，但与实验的偏差集中在特定体系，说明偏差并非来源于温度效应等系统性因素，而可能源于未被传统计算方法充分捕获的物理效应。

**4.2 有实验数据时的泛化性能评估**

在第一阶段评估中（80%数据训练，20%测试，十次蒙特卡洛交叉验证MCCV），SCALE-SVR、FENN-SVR和PRED-SVR组合在测试集上取得最高的R2值，且多数TL-ML模型的表现优于第一性原理计算本身（R2=0.680）。TL对FENN、LININT、PRED和OFFSET的R2均有提升。SCALE方法仅在SVR上表现出显著提升，原因是SVR的径向基函数（Radial Basis Function, RBF）核擅长逼近平滑连续函数，而SCALE本质上是学习一种连续变换函数。偏差-方差分析表明，线性模型MLR存在高偏差，而KRR、RFR、LGBM偏差较低。描述符数量分析显示，高偏差模型（如SVR）需要更多描述符，低偏差模型则可以精简。

**4.3 无实验数据时的外推性能评估**

在第二阶段评估中（全部358个实验数据为训练集，以第一性原理计算值作为无实验数据体系的代理真值），利用OCSVM将测试集划分为插值域和外推域。结果显示，在插值域内多数模型能够保持R2>0.680的预测精度；但在外推域中，NoTransfer、FENN、LININT和PRED的R2值显著下降，而OFFSET和SCALE则未出现明显退化，保持了较好的预测性能。这表明，学习“相对于第一性原理计算的修正量”比直接学习实验VSF值具有更强的外推鲁棒性。

**4.4 模型选择与最终精化数据集**

联合考虑泛化性能（第一阶段测试集R2）与外推性能（第二阶段外推域R2），通过帕累托（Pareto）前沿分析识别出三个最优模型：SCALE-SVR（泛化性能最优）、OFFSET-SVR（外推性能最优）和OFFSET-KRR（两者平衡）。将这三个模型的预测结果进行集成平均，采用第二阶段的训练模型对全部1998个二元体系进行了VSF预测，构建了最终经TL精化的VSF数据集（表2）。

**4.5 补充评估**

补充评估分为两部分。第一，对87个有实验值但无第一性原理计算数据的体系进行预测，仅NoTransfer和FENN能产生预测（其余TL方法需第一性原理结果作为输入），但因关键描述符缺失仅46个体系可预测，所有模型R2均低于0.680，且该组体系完全处于外推条件，验证了NoTransfer和FENN外推能力不足。第二，收集了King数据集之外10个独立实验VSF数据点进行验证，其中SCALE-SVR、OFFSET-KRR和OFFSET-SVR及其集成平均的R2值均高于第一性原理计算与这些实验数据的R2（0.865），表明TL精化后的数据集可以达到或超过第一性原理计算的预测精度。

**4.6 偏差来源的SHAP分析**

采用SHAP（SHapley Additive exPlanations）方法对OFFSET-KRR和OFFSET-SVR模型进行描述符贡献分析。分析表明，第一性原理VSF预测偏差主要受电子结构相关因素控制，其中溶质元素周期是最主要的描述符。具体而言，随着溶质元素周期的增大，第一性原理计算倾向于系统性高估VSF。以Fe-X固溶体为例，对第五周期（Rb至Te）和第六周期（Cs至Bi）溶质元素，集成模型显著修正了第一性原理的高估偏差，使预测与实验更好地吻合。这一系统性高估可能源于传统第一性原理方法对重元素相对论效应（内层轨道相对论收缩导致原子尺寸减小）和强电子关联效应（d/f电子局域化）处理不充分。

**4.7 实际应用与精化数据集的适用性**

精化后的VSF数据集可整合到分层合金设计流程中，通过快速筛选候选溶质元素并结合Labusch固溶强化模型预测强化潜力。对于机械合金化、物理气相沉积、射频溅射和快速凝固等非平衡加工方法制备的过饱和固溶体，该数据集同样具有应用价值。根据King对VSF的定义，只要原子体积随溶质浓度近似线性变化，精化VSF即适用，但超过极限浓度cmax后线性关系破坏，需辅以更复杂的计算方法。本文还提出了一个多组分VSF（VSFmulti）的加权平均定义式（式29），作为二元定义向多组分合金扩展的一阶近似，但需注意该近似忽略了高阶相互作用和局部化学有序效应。

**5. 讨论与结论**

**讨论部分总结**：本研究通过SHAP分析揭示了偏差的物理起源——溶质元素周期主导的电子结构效应，指出相对论效应和强电子关联处理不足是根本原因。同时，TL修正的有效性取决于实验数据在描述符空间中的覆盖度，而非溶质元素周期本身。精化数据集在平衡实验一致性与外推可靠性之间取得了成功，展示了TL连接第一性原理计算与实验数据的巨大潜力。

**研究结论翻译**：本研究提出了一种基于转移学习的框架，通过整合实验数据系统精化第一性原理VSF预测，旨在提高与实验的定量一致性，同时保持外推可靠性。作为该框架的基础，研究人员从第一性原理计算中导出了1998个二元固溶体合金体系的VSF，形成了迄今最大的VSF数据集之一。尽管与实验VSF的整体一致性中等（R2=0.680），偏差仅局限于少数表现出显著差异的合金体系。对于有实验数据的体系，TL-ML框架达到了优于单独第一性原理计算的预测精度，SCALE-SVR始终表现最佳；当实验数据不可用时，NoTransfer、FENN、LININT和PRED在外推域中预测性能大幅下降，而变换型方法OFFSET和SCALE未出现此退化。帕累托分析识别出的最优模型为SCALE-SVR、OFFSET-KRR和OFFSET-SVR，将其集成平均作为最终精化VSF数据集。SHAP分析揭示溶质元素周期是偏差的主要来源，提示相对论效应和强电子关联处理不足是根本原因。精化数据集和所展示的方法为加速数据驱动的合金设计提供了实用框架，可便利地扩展到其他存在理论-实验系统性偏差的材料性能，并将助力先进结构合金（包括高熵合金）的设计与探索，尤其针对实验上难以开展研究的合金体系。