《Journal of Non-Crystalline Solids》:Transferability of foundation MACE models to amorphous chemistry: Where they work and where they fail
编辑推荐:
摘要基础机器学习原子间势能具有在显著降低计算成本的同时达到第一性原理般精度的潜力,已成为计算材料科学的主要突破之一。然而,它们向新材料化学的迁移性仍不清晰。受此启发,本文对从16个基础多原子团簇展开(MACE)预训练模型衍生出的27种参数化方案,针对一组通过熔淬火分子动力学生
摘要
基础机器学习原子间势能具有在显著降低计算成本的同时达到第一性原理般精度的潜力,已成为计算材料科学的主要突破之一。然而,它们向新材料化学的迁移性仍不清晰。受此启发,本文对从16个基础多原子团簇展开(MACE)预训练模型衍生出的27种参数化方案,针对一组通过熔淬火分子动力学生成的23种非晶化合物的密度泛函理论(DFT)能量进行了基准测试。我们表明,MACE通常能保持结构排序,但往往会扭曲能量尺度。具体而言,在621个模型-化合物配对中,约77%的拟合相对能量斜率低于1。从实际应用角度来看,这些结果表明,大部分MACE势能否预测非晶固体中局域结构的DFT分布,原因在于其低估了非晶固体中丰富的低能与高能量结构差异。在所测试的模型中,MH-1/OMAT-PBE整体表现最佳,加权相对平均绝对误差(MAE)为0.02 eV/原子,其次是MH-0/OMAT-PBE和OMAT-0-M。然而,所得结果高度依赖于化学体系。具体而言,非晶氧化物的描述比元素网络要稳健得多,加权相对平均绝对误差分别为0.02 eV/原子和0.09 eV/原子。最佳整体模型的存在并不意味着该模型对每种化合物都是最佳的,因此,基于化学体系感知的模型选择对于可靠地模拟非晶相至关重要。
引言
在材料科学中,非晶材料是一类复杂体系,既不是晶体(由周期性单元胞描述),也不是完全熔融态(其中局部原子排列是瞬时的且经时间平均的)。相反,它们可以被表示为一组亚稳态构型的集合,其性质源于广泛的局域结构差异(即配位数、键角、和/或环统计量)的分布,这些结构表现出不同的短程有序而非长程有序[[1], [2], [3], [4]]。虽然实验上这类材料以短程有序来描述,但在原子层面上对这些系统的理论描述具有挑战性,因为非晶结构无法直接从实验测量中推断并导入原子计算。在实践中,具有统计意义的非晶模型通常通过采样多条独立的熔淬火轨迹获得,而当密度未知时,则通过测试不同的晶胞体积或使用恒压弛豫来收敛密度。在此背景下,密度泛函理论(DFT)驱动的从头算分子动力学(AIMD)一直是通过熔淬火模拟以量子力学精度生成非晶结构的标准方法[[4], [5], [6], [7], [8], [9]]。然而,由于生成非晶系统需要使用大的模拟胞,且原子动力学需要力信息,该方法受到计算成本的严重限制,这往往导致将非晶系统描述为独立系统的集合,从而忽略了协同(协同作用)效应。原则上,采用原子间势的经典分子动力学可以作为此类结构生成的替代方法,并能描述显著更大的体系,但不幸的是,该方法在描述表征非晶相的异质键合结构下的复杂体系能量学方面存在不准确的问题[10,11]。
随着机器学习原子间势能(MLIPs)的发展,显然可以利用这些势能以DFT精度描述许多结晶化合物的性质,而计算成本仅为相应的一小部分[12,13]。已建立的例子包括高斯近似势(GAP)[14]、原子团簇展开(ACE)势[15]、以及等变图神经网络模型如NequIP [16],而近期的通用型或基础型模型包括MACE [12,17]、GRACE [18]、ORB [19]以及基于PET的势[20]。这些方法在如何表示局域原子环境、纳入多体关联、平衡精度与计算成本以及跨化学和结构域迁移方面有所不同。对于非晶材料,由于相同的组分可能包含广泛的配位环境、键角分布、环统计量和中程结构的分布,这一迁移性问题尤为重要。受此启发,本文聚焦于MACE势,它已成为原子材料化学中广泛使用的基础模型架构之一[17],并被广泛应用于不同的固态问题,不仅包括结晶材料[[21], [22], [23], [24]],还包括描述复杂的非晶结构(如非晶C [25])。在MACE框架内,已开发了不同类型的模型[17,[26], [27], [28]],还有更多的工作直接利用它们来预测复杂材料的性质[29,30]。传统上,MACE势是在可用的DFT数据(通常限于结晶材料)上进行训练,在不同方面包括不同类型的参数化或层数,但将这些偏结晶的模型外推到非晶相可能导致显著的能量不准确,因为它们可能无法准确地考虑无序网络中存在的局域结构差异的分布。尽管存在这一局限性,这些通用基础模型的可获得性和较高的基线性能推动了其"黑箱"应用的快速增长,因为它们确实似乎为不同类型的應用提供了系统性优势,并且通常能以最小的计算成本可靠地预测性质。它们常被用于预测复杂、非周期性体系的性质,而无需进行微调或将训练数据集扩展到涵盖可能因对称性破缺而产生的罕见局域结构。考虑到这些固有的局限性,这些模型能多可靠地导航复杂的势能面[[31], [32], [33]]仍是一个开放性问题。受此启发,本文系统地基准测试了MACE基础模型相对于参考DFT计算在多种非晶结构上的性能(需要注意的是,为使训练域和模型/头参数的影响能在单一架构内进行比较,我们将基准测试限于MACE基础模型,而非混合多种MLIP架构,如基于核的、ACE型和图神经网络势)。
各节片段
方法
为生成所有非晶结构,使用TorchSim Python库[34]及MATPES-PBE-OMAT-ft MACE模型,通过多阶段分子动力学模拟(熔化-淬火-弛豫-淬火方案),在TorchSim中使用NVT系综配合Nose-Hoover温度控制[35,36]。等温阶段使用恒定的目标温度,而淬火阶段则在阶段定义的端点之间使用线性温度斜坡(端点的细节见补充信息)。时间步长
结果与讨论
为评估不同预训练MACE模型在非晶相计算中的性能,我们使用一组代表性的晶体结构作为起始点,通过一致的熔化、淬火、弛豫和最终淬火流程生成了一组非晶结构,从所有阶段的分子动力学模拟中每皮秒提取一个结构(图1a)。具体而言,所选的23种化合物旨在覆盖化学和结构上不同的非晶家族,包括
结论
总之,通过使用不同MACE和DFT计算的一组集合,我们系统地探索了机器学习势描述不同非晶系统的性能。所得结果表明,MACE模型通常能够再现非晶结构的相对能量趋势,但取决于化学体系,可能对各种构型的相对能量存在显著偏差。因此,若干模型可以再现线性的DFT/MACE能量对等性
数据声明
重现结果所需的所有数据均可在本文及其补充信息中获得。底层计算文件和计算代码可从通讯作者处合理索取。
CRediT作者贡献声明
Oleksandr I. Malyi:原创手稿撰写、可视化、资源、项目管理、方法论、调查、资金支持获取、概念化。Andrés Felipe Usuga:审阅与编辑、方法论、调查、形式化分析。
利益冲突声明
作者声明,他们没有已知的竞争性经济利益或个人关系可能会影响本文报告的工作。
致谢
作者感谢来自晴源创新实验室创业基金(资助编号00524009)和福建省高层次人才引进计划(资助编号30225003)的资助。在波兰进行的工作部分由国家研究与发展中心资助,项目编号WPC3/2022/50/KEYTECH/2024。对ENSEMBLE3卓越中心的机构和基础设施支持通过项目编号MAB/2020/14提供,
Oleksandr I. Malyi|Andrés Felipe Usuga