Dataset-aware entropy-maximized active learning for machine-learned interatomic potentials

ملخص تقني: التعلم النشط لتعظيم الإنتروبيا المعتمد على البيانات لجهود التفاعل بين الذرات القائمة على التعلم الآلي

بيان المشكلة
تواجه عملية تدريب جهود التفاعل بين الذرات القائمة على التعلم الآلي (MLIPs) تحديًا مركزيًا يتمثل في: توليد مجموعة تدريب متنوعة وموجزة تغطي فضاء التشكيلات بشكل كافٍ دون الحاجة إلى آلاف الحسابات المكلفة بنظرية وظيفية الكثافة (DFT). غالبًا ما تؤدي العينات العشوائية القياسية لمسارات الديناميكا الجزيئية (MD) إلى تشكيلات عالية الارتباط، مما يؤدي إلى التكرار. وبينما تعالج طرق أخذ العينات السابقة التي تعظم الإنتروبيا التنوع، إلا أنها تعاني من مشكلة "التوسط الذاتي" (self-averaging)، حيث تكون التشكيلات المتولدة بشكل مستقل متنوعة فرديًا ولكنها مكررة جماعيًا. علاوة على ذلك، تعتمد العديد من استراتيجيات التعلم النشط الحالية (مثل DP-GEN وFLARE وUDD) على تقديرات عدم اليقين الخاصة بالنموذج (مثل تباين المجموعة أو البعد البايزي أو رافعة فضاء الميزات)، مما يستلزم إعادة التدريب أو حسابات المجموعة مع تطور النموذج، وهذا يخلق ارتباطًا بين معيار الاختيار وبنية النموذج.

المنهجية
يقترح المؤلفون إطار عمل للتعلم النشط يعتمد على البيانات ويفصل بين معيار اختيار البيانات وبنية الـ MLIP. يدمج هذا الأسلوب أربعة مكونات رئيسية:

1. بصمات الهيكل (Structural Fingerprints): يستخدم إطار العمل بصمات مصفوفة التداخل الغاوسي (GOM). يتم بناء هذه البصمات عن طريق قطر مصفوفة تداخل مخمدة للجيران الذريين للحصول على القيم الذاتية. وتتمثل الميزة الحاسمة في توفر التدرجات التحليلية عبر مبرهنة هيلمان-فاينمان، مما يسمح بديناميكا جزيئية منحازة للإنتروبيا بناءً على القوى.
2. تتبع التباين ثنائي الوضع (Dual-Mode Covariance Tracking): لضمان تغطية واسعة لكل من المناطق المنظمة وغير المنظمة، يحافظ النظام على وضعين للتباين:
   • وضع لكل ذرة: يتتبع تنوع البيئات الذرية المحلية (مما يفضل التشكيلات غير المنظمة).
   • وضع لكل تشكيل: يتتبع تنوع الطابع الهيكلي المتوسط للكتلة (مما يفضل الأطوار المنظمة).
3. الإنتروبيا المحلية مقابل العالمية:
   • الاستكشاف (محلي): يتم تحيز مسارات الديناميكا الجزيئية باستخدام حد إنتروبيا محلي لكل تشكيل ($S_{local}$) يُضاف إلى سطح طاقة الجهد. هذا يدفع النظام نحو لقطات متنوعة هيكليًا دون الحاجة إلى سجلات بيانات أثناء المحاكاة.
   • الاختيار (عالمي): يعمل مقياس إنتروبيا عالمي، يتم تعريفه من خلال لوغاريتم محدد مصفوفة التباين لبصمة مجموعة البيانات المتراكمة بأكملها، كمرشح لاحق (post-hoc filter). يتم قبول اللقطات المرشحة فقط إذا تجاوز مكسب المعلومات الهامشي ($\Delta H$) عتبة معينة. هذا يحل مشكلة التوسط الذاتي من خلال ضمان أن البيانات الجديدة توسع المحتوى المعلوماتي لمجموعة البيانات.
4. تكامل نموذج التأسيس (Foundation Model Integration): يستخدم إطار العمل نموذج تأسيس عالمي مدرب مسبقًا (Allegro-OAM-L) لتوفير قوى منطقية فيزيائيًا طوال عملية أخذ العينات، مما يسمح للنظام باستكشاف المناطق عالية الطاقة أو المشوهة بأمان. ويظل معيار الاختيار نفسه غير مرتبط بالنموذج، حيث يعتمد حصريًا على الواصفات الهيكلية.

يتضمن خط العمل مرحلة صقل حيث يتم تحسين المرشحين القريبين من العتبة على سطح الإنتروبيا العالمية لتعظيم محتواهم المعلوماتي قبل القبول.

النتائج الرئيسية
تم التحقق من صحة الإطار على ثلاثة أنظمة متميزة كيميائيًا: الكربون (تساهمي/فان دير فالس)، السيليكون (تساهمي/معدني)، وكلوريد الصوديوم NaCl (أيوني)، ممتدة عبر ضغوط من 0 إلى 100 جيجا باسكال.

• كفاءة البيانات: مقارنة بأخذ عينات الديناميكا الجزيئية العشوائية، حقق النهج المدفوع بالإنتروبيا انخفاضًا في متوسط الخطأ المطلق للطاقة (MAE) يتراوح بين 3 إلى 10 أضعاف عند حجم مجموعة تدريب قدره $N=800$ في اختبارات التوزيع الداخلي.
  • الكربون: تحسن بمقدار 10.1 ضعف (4.2 مقابل 42.8 ميلي إلكترون فولت/ذرة).
  • السيليكون: تحسن بمقدار 2.9 ضعف (1.32 مقابل 3.81 ميلي إلكترون فولت/ذرة).
  • كلوريد الصوديوم (NaCl): تحسن بمقدار 5.9 ضعف (0.44 مقابل 2.59 ميلي إلكترون فولت/ذرة).
• منحنيات التعلم: أظهر أخذ العينات المدفوع بالإنتروبيا معدلات خطأ تتناقص بشكل رتيب أو مستقرة مع زيادة $N$. في المقابل، غالبًا ما تشبع أخذ العينات العشوائي (الكربون، السيليكون) أو تدهور (NaCl) مع نمو $N$، مما يشير إلى أن أخذ العينات العشوائي يراكم لقطات مكررة ومرتبطة.
• التعميم: على مجموعة اختبار مستقلة منسقة تركز على حالات التوازن القريبة وتشكيلات الديناميكا الجزيئية الحرارية، استمرت ميزة الطاقة لجميع الأنظمة. ومع ذلك، أظهرت دقة القوة والإجهاد اعتمادًا على التوزيع:
  • بالنسبة للسيليكون وكلوريد الصوديوم، طابح أخذ العينات المدفوع بالإنتروبيا أخذ العينات العشوائي في دقة القوة والإجهاد أو تفوق عليه.
  • بالنسبة للكربون، أدى تجمع الإنتروبيا إلى تمثيل مفرط للتشكيلات المشوهة، مما أدى إلى أخطاء أعلى في القوة/الإجهاد في مجموعات الاختبار القريبة من التوازن مقارنة بأخذ العينات العشوائي.
• العلاج للكربون: أثبت المؤلفون أن المزيج بنسبة 80/20 (80% مدفوع بالإنتروبيا + 20% لقطات عشوائية قريبة من التوازن ذات قوى منخفضة) عالج عكس اتجاه القوة/الإجهاد في الكربون دون تكلفة إضافية من نظرية وظيفية الكثافة (DFT). هذا النهج الهجين طابق دقة طاقة الإنتروبيا النقية مع استعادة دقة القوة والإجهاد للمجمع العشوائي.
• التحقق الفيزيائي: أعاد جهد الكربون الذي تم ضبطه بدقة إنتاج تشتت فونون DFT للماس والجرافيت بدقة عالية، مما يؤكد الجودة الفيزيائية للبيانات المولدة رغم المبالغة الطفيفة في المسافة بين طبقات الجرافيت.

الأهمية والادعاءات
يزعم البحث أن هذا الإطار يقدم مكانة متميزة في التعلم النشط من خلال فصل معيار التنوع عن بنية النموذج. وخلافًا للطرق التي تتطلب تدريب المجموعات أو تقديرات عدم اليقين الخاصة بالنموذج، يستخدم هذا النهج فضاء واصفات هيكلية ثابتًا (بصمات GOM) وهدفًا مشابهًا لـ D-optimal (لوغاريتم محدد مصفوفة التباين). وهذا يجعل هذا النهج متوافقًا مع أي جهد أسود (black-box potential)، بما في ذلك نماذج التأسيس المدربة مسبقةً.

يؤكد المؤلفون أن هذا المنهج يحقق جهود تفاعل عالية الجودة ومحددة النطاق بدقة تقترب من أو تقل عن 1 ميلي إلكترون فولت/ذرة باستخدام مجموعات تدريب تتراوح فقط بين $10^2$ إلى $10^3$ من التشكيلات. ويخلصون إلى أن الجمع بين الاستكشاف المحلي المدفوع بالإنتروبيا والاختيار العالمي المعتمد على البيانات يوفر استراتيجية قوية وفعالة حاسوبيًا لتوليد بيانات التدريب، خاصة للأنظمة التي تكون فيها بيانات التدريب نادرة أو حيث يجب التقاط تحولات الطور تحت الضغط العالي. ويُوصى باستراتيجية "الإنتروبيا بالإضافة إلى المرتكز" (entropy-plus-anchor) كخيار افتراضي للإنتاج للتطبيقات التي تتطلب دقة قوة بالقرب من التوازن.