Machine-Learned Force Fields for Lattice Dynamics at Coupled-Cluster Level Accuracy

بيان المشكلة
أصبحت حقول القوة المستندة إلى التعلم الآلي (MLFFs) ضرورية لمحاكاة الأنظمة الذرية واسعة النطاق وديناميكا الجزيئات (MD) طويلة المدى من خلال تجاوز حسابات البنية الإلكترونية الصريحة. ومع ذلك، فإن الدقة التنبؤية لهذه النماذج محدودة تماماً بجودة بيانات التدريب الخاصة بها. وبينما تُعد نظرية الكثافة الوظيفية (DFT) هي المعيار لتوليد بيانات التدريب نظراً للتوازن بين التكلفة والدقة، إلا أنها غالباً ما تفشل في تحقيق الدقة المطلوبة لتطبيقات معينة، مثل التنبؤ الدقيق لترددات الفونونات الضوئية في الماس أو التقاط التأثيرات غير المتناغمة (anharmonic) الدقيقة. وعلى العكس من ذلك، فإن طرق نظرية الدالة الموجية (WFT) عالية الدقة، وتحديداً نظرية كبل (Coupled Cluster) (مثل CCSD(T))، مكلفة حوسبياً بشكل لا يسمح بتوليد مجموعات البيانات الكبيرة اللازمة لتدريب MLFFs، خاصة للأنظمة الصلبة الدورية. علاوة على ذلك، تفتقر العديد من تطبيقات WFT عالية المستوى للأنظمة الدورية إلى القدرة على حساب القوى الذرية، وهي أمور بالغة الأهمية لتدريب MLFFs دقيقة. وهذا يخلق عنق زجاجة: البيانات عالية الدقة متوفرة فقط كطاقات لنقاط مفردة (single-point energies)، بينما تتطلب MLFFs عادةً القوى لإعادة إنتاج تشتت الفونونات بدقة.

المنهجية
يقترح المؤلفون سير عمل لتوليد MLFFs مدربة على أسطح طاقة جهدية بمستوى CCSD(T) الدوري لصلابة الكربون (الماس) وهيدريد الليثيوم (LiH)، مع معالجة نقص القوى في بيانات التدريب عالية المستوى.

1. نهج التعلم التفاضلي ($\Delta$-Learning): للالتفاف على الحاجة إلى قوى ذرية عالية المستوى، تستخدم الدراسة استراتيجية التعلم التفاضلي ($\Delta$-learning). يتضمن ذلك تدريب نموذجين مختلفين من MLFF:

   • النموذج الأساسي (Base Model): وهو MLFF، يُرمز له بـ ML(DFTE,F)، مُدرب على طاقات وقوى DFT. يلتقط هذا النموذج المشهد الهيكلي والقوي العام.
   • نموذج التصحيح (Correction Model): وهو MLFF، يُرمز له بـ ML(WFT-DFT)، مُدرب حصرياً على فروق الطاقة ($\Delta E = E_{WFT} - E_{DFT}$) بين طرق WFT عالية المستوى (HF, MP2, CCSD, CCSD(T)) وDFT.
   • التنبؤ النهائي هو مجموع النموذج الأساسي ونموذج التصحيح: $E_{\Delta ML} = E_{ML(DFTE,F)} + E_{ML(WFT-DFT)}$.

2. بنيات التعلم الآلي:

   • MACE: يتم استخدام شبكة عصبية تمرير رسائل متساوية الخواص (equivariant message-passing neural network) بشكل أساسي للتدريب. تُطبق على كل من نموذج DFT الأساسي ونموذج تصحيح WFT-DFT.
   • QNEP: لمعالجة تأثيرات الكهروسكونية بعيدة المدى الضرورية للأنظمة الأيونية مثل LiH، تم استخدام بنية QNEP (التي تتضمن الوعي بالشحنة) للنموذج الأساسي لـ DFT.

3. توليد البيانات:

   • تُشتق بيانات التدريب من مسارات الديناميكا الجزيئية (MD) المولدة باستخدام VASP (استخدام DFT-PBE للماس، وDFT-LDA لـ LiH).
   • بالنسبة للماس، تُستخدم مجموعة فرعية مكونة من 200 هيكل من مسار مكون من 2000 خطوة لإجراء حسابات النقاط المفردة عالية المستوى.
   • بالنسبة لـ LiH، تُستخدم خلية فائقة (supercell) بحجم 2 × 2 × 2 (64 ذرة) لالتقاط التفاعلات بعيدة المدى بشكل أفضل، مع استخدام 2000 خطوة للنموذج الأساسي و200 خطوة لتصحيح $\Delta$-learning.
   • يتم حساب الطاقات عالية المستوى باستخدام كود Cc4s المتصل بـ VASP.

4. مقاييس التحقق:

   • تشتت الفونونات (Phonon Dispersions): تم حسابها باستخدام التقريب التوافقي (harmonic approximation) عبر phonopy.
     ai * كثافة الحالة الاهتزازية (VDOS): تم حسابها بكل من التقريب التوافقي (HA-DOS) والتأثيرات غير المتناغمة (anharmonic effects) عبر دالات الارتباط الذاتي للسرعة (VACF-DOS) المستمدة من محاكاة MD طويلة المدى (30,000 خطوة).

النتائج الرئيسية

• الماس:

  • فشلت نماذج MLFF المدربة فقط على طاقات DFT (بدون قوى) في إعادة إنتاج تشتت الفونات نوعياً، مما يسلط الضوء على ضرورة وجود القوى في النموذج الأساسي.
  • نجح نهج $\Delta$-learning في إعادة إنتاج تشتت فونونات HF.
  • بالنسبة لطرق ما بعد HF، أظهر $\Delta$ML(CCSD(T)) ترددات فونونات ضوئية أعلى من نتائج DFT-PBE وأظهر توافقاً أفضل بكثير مع بيانات تشتت النيوترونات والتحليل الطيفي لرامان التجريبية.
  • كان "الانتشار القائم على البذرة" (variability across different random training seeds) أصغر بالنسبة لطرق ما بعد HF (MP2, CCSD, CCSD(T)) مقارنة بـ HF، حيث تعطي هذه الطرق ترددات أقرب إلى DFT.
  • لوحظت قيود عند نقطة L في منطقة بريلوين بسبب استخدام خلية فائقة بحجم 2 × 2 × 1، والتي لا تمثل هذه النقطة (k-point) بشكل كامل.

• هيدريد الليثيوم (LiH):

  • تم تحديد تأثيرات الكهروسكونية بعيدة المدى كعامل حاسم. أدى استخدام MACE بدون وعي بالشحنة إلى حدوث تذبذبات غير فيزيائية في الأنماط الضوئية. ساهم دمج QNEP في النموذج الأساسي في تخفيف هذه التذبذبات، رغم أنه زاد من الخطأ عند نقاط تناظر عالية محددة.
  • على غرار الماس، تنبأ $\Delta$ML(CCSD(T)) بترددات أنماط ضوئية أعلى من DFT-LDA.
  • وُجد أن التأثيرات غير المتناغمة، المقدرة عبر VACF-DOS عند 20 كلفن، لها تأثير ضئيل على الشكل العام لـ VDOS مقارنة بالتقريب التوافقي.
  • لم تتطابق نتائج DFT ولا CCSD(T) تماماً مع بيانات تشتت النيوترونات التجريبية لـ LiH، خاصة للأنماط الضوئية الأعلى، مما يشير إلى أن عوامل أخرى (مثل تمدد الشبكة، أو عدم التوافق الأديباتي، أو التأثيرات الكمومية النووية) قد تكون هي المسؤولة.

الأهمية والادعاءات
يدعي البحث إمكانية توسيع نطاق MLFFs لتصل إلى دقة مستوى Coupled Cluster للأنظمة الدورية باستخدام نهج $\Delta$-learning الذي يتجاوز الحاجة إلى قوى ذرية عالية المستوى. ويؤكد المؤلفون ما يلي:

1. تحسين الدقة: التدريب على بيانات CCSD(T) عبر $\Delta$-learning يعطي ترددات اهتزازية تتوافق بشكل أفضل مع التجربة من DFT القياسي، خاصة للأنماط الضوئية.
2. التحقق من سير العمل: إن سير العمل المقرر، الذي يجمع بين نظرية CC الدورية وMLFF، يعد مساراً قابلاً للتطبيق لسد الفجوات الزمنية وحجم الأنظمة التي تحدها حالياً التكلفة الحوسبية.
3. توافر البيانات: تم جعل بيانات التدريب التي أنتجتها هذه الدراسة متاحة للجمهور لتكون بمثابة مرجع للتقنيات الأخرى.
4. الاتجاهات المستقبلية: يخلص المؤلفون إلى أنه بينما تعتبر الطاقات للنقاط المفردة مفيدة، فإن تضمين القوى عند مستويات أعلى من النظرية من شأنه أن يقدم مزايا جوهرية. كما أشاروا إلى أن تنفيذ القوى ضمن دورية CCSD(T) جارٍ حالياً، وأن استقصاء البنيات التي تأخذ في الاعتبار صراحةً التفاعلات بعيدة المدى هو اتجاه واعد للعمل المستقبلي.

تظل الدراسة متواضعة فيما يتعلق بالاختلافات المتبقية بين النظرية والتجربة، حيث تعزوها إلى عوامل محتملة مثل تأثيرات الحجم المحدود، وعدم تطابق ثابت الشبكة، والظواهر الفيزيائية غير المبرمجة مثل التأثيرات الكمومية النووية، بدلاً من الادعاء بأن المنهج الحالي قد حل جميع مشكلات الدقة في ديناميكا الشبكة.