Origins of Universal Machine Learning Force-Field Errors in Multicomponent Materials

Materialwissenschaftler suchen schon lange nach einem Weg, vorherzusagen, wie sich ein Material verhalten wird, indem sie einfach wissen, woraus es besteht. Durch das Ersetzen eines Atomtyps durch einen anderen oder das Mischen vieler verschiedener Elemente in einem einzelnen Kristall können sie Eigenschaften wie Festigkeit, Leitfähigkeit oder die Kapazität einer Batterie gezielt steuern. Dieser Prozess, bekannt als kompositorisches Design, ist der Motor hinter modernen Innovationen in allem, von Strahltriebwerken bis hin zu medizinischen Implantaten. Um diese neuen Ideen zu testen, verlassen sich Forscher auf leistungsstarke Computersimulationen, die als virtuelles Labor fungieren. Die genauesten dieser Simulationen, die auf den Gesetzen der Quantenmechanik basieren, sind unglaublich präzise, aber so langsam, dass sie nur wenige Atome gleichzeitig bearbeiten können. Um komplexe Materialien mit vielen verschiedenen Inhaltsstoffen zu untersuchen, haben sich Wissenschaftler einem neueren Werkzeug zugewandt: maschinellen Kraftfeldern (Machine Learning Force Fields). Dies sind Modelle der künstlichen Intelligenz, die auf riesigen Bibliotheken von Atomdaten trainiert wurden. Sie lernen die Regeln darüber, wie Atome einander drücken und ziehen, was es ihnen ermöglicht, das Verhalten von Millionen von Atomen in Sekundenschnelle vorherzusagen. Die Hoffnung ist, dass diese Modelle als universeller Übersetzer fungieren können, indem sie das, was sie von einfachen Materialien gelernt haben, auf die chaotischen, komplexen Mischungen anwenden, die in der realen Welt des Ingenieurwesens vorkommen.

Eine kritische Frage blieb jedoch unbeantwortet: Verstehen diese universellen Modelle wirklich die seltsamen, überfüllten Nachbarschaften, die entstehen, wenn viele verschiedene Elemente gemischt werden? Eine neue Studie eines Forscherteams aus China hat elf der fortschrittlichsten maschinellen Lernmodelle gegen einen massiven, eigens entwickelten Benchmark von fast 7.600 komplexen atomaren Konfigurationen getestet. Diese Konfigurationen wurden so konzipiert, dass sie die hochentropischen Legierungen und Mischanionen-Materialien nachahmen, die Ingenieure derzeit zu bauen versuchen. Die Forscher fanden heraus, dass diese Modelle zwar leistungsstark sind, aber erheblich Schwierigkeiten haben, wenn Atome zu dicht zusammengedrückt werden – eine Situation, die in diesen komplexen Mischungen häufig vorkommt. Die Studie zeigt, dass die Modelle nicht einfach zufällige Fehler machen; sie scheitern auf eine sehr spezifische, vorhersehbare Weise. Wenn Atome komprimiert werden, sagen die Modelle Kräfte voraus, die fast doppelt so falsch sind, wie wenn die Atome auseinandergezogen werden. Darüber hinaus zeigt die Studie, dass die Schwierigkeit, diese Kräfte vorherzusagen, stark davon abhängt, welche spezifischen Elemente beteiligt sind, wobei bestimmte Übergangsmetalle besonders hartnäckig für die KI zu erlernen waren.

Um zu verstehen, warum dies wichtig ist, muss man zuerst begreifen, was ein maschinelles Kraftfeld eigentlich tut. Stellen Sie sich vor, Sie versuchen vorherzusagen, wie sich eine Menschenmenge durch einen Raum bewegen wird. Wenn Sie bisher nur beobachtet haben, wie eine kleine Gruppe von Menschen in einer geraden Linie geht, könnten Sie Schwierigkeiten haben vorherzusagen, wie eine chaotische, drängelnde Menge von Hunderten von Menschen reagiert. Ähnlich verhält es sich mit diesen KI-Modellen: Sie wurden auf Datensätzen trainiert, die Millionen von atomaren Momentaufnahmen enthalten, aber diese Momentaufnahmen stammten hauptsächlich aus Materialien, die sich in ihre stabilsten Formen entspannen oder standardmäßige Vibrationen durchlaufen. Sie enthielten selten die extremen, überfüllten und chemisch vielfältigen Umgebungen, die entstehen, wenn Wissenschaftler absichtlich viele verschiedene Elemente mischen, um neue Materialien zu erschaffen. Die Forscher konstruierten ihren Benchmark, um diese Lücke zu schließen. Sie erzeugten tausende Strukturen, in denen mindestens fünf verschiedene Elemente in ausgewogenen Proportionen gemischt wurden, wodurch eine chemische Landschaft entstand, die weitaus überfüllter und vielfältiger war als alles, was die Modelle zuvor gesehen hatten. Dann baten sie die elf führenden KI-Modelle, die Energie und die Kräfte vorherzusagen, die auf jedes Atom in diesen Strukturen wirken, und verglichen die Ergebnisse mit dem Goldstandard quantenmechanischer Berechnungen.

Die Ergebnisse waren aufschlussreich. Während die Modelle bei der Gesamtenergie der Strukturen eine angemessene Leistung zeigten, wiesen ihre Vorhersagen für die auf einzelne Atome wirkenden Kräfte signifikante Fehler auf. Die Forscher entdeckten, dass diese Fehler nicht zufällig verteilt waren. Stattdessen waren sie eng mit der lokalen Geometrie der Atome verknüpft. Als die Forscher den Abstand zwischen den Atomen betrachteten, fanden sie eine markante Asymmetrie. Wenn ein Atom etwas weiter von seinen Nachbarn entfernt war, als das Modell in seinen Trainingsdaten gesehen hatte, blieb der Fehler relativ klein. Aber wenn ein Atom näher an seine Nachbarn gedrückt wurde – komprimiert wurde – schoss der Fehler dramatisch in die Höhe. Tatsächlich waren die Kraftfehler auf der Kompressionsseite für die gleiche Distanzänderung zwischen 1,8 und 1,95 Mal größer als auf der Dehnungsseite. Dies deutet darauf farauf hin, dass die Modelle die Regeln gelernt haben, wie sich Atome verhalten, wenn sie entspannt oder auseinandergezogen sind, aber nicht die steilen, schwierigen Regeln, wie sie sich verhalten, wenn sie fest zusammengedrückt werden.

Diese gerichtete Verzerrung ist in der Physik der atomaren Wechselwirkungen verwurzelt. Wenn Atome zusammengedrückt werden, stoßen ihre Elektronenwolken mit immenser Kraft gegeneinander und erzeugen eine steile Energiewand. Die maschinellen Lernmodelle, die im Wesentlichen mathematische Kurven sind, die versuchen, dieses Verhalten abzubilden, haben Schwierigkeiten, die Schärfe dieser Wand zu erfassen. Die Studie bestätigte dies durch die Untersuchung der Krümmung der vorhergesagten Wechselwirkungskurven. Die Modelle zeigten konsistent eine viel schärfere, stärker gekrümmte Reaktion auf der Kompressionsseite im Vergleich zur sanfteren Steigung auf der Dehnungsseite. Das bedeutet, dass selbst wenn ein Modell bereits ein bestimmtes Typenpaar von Atomen gesehen hat, es dennoch scheitern kann, wenn dieses Paar in eine Konfiguration gepresst wird, die es bisher nicht erlebt hat. Das Problem wird durch das chemische Umfeld verschärft. Die Forsntcher fanden heraus, dass die Schwierigkeit, Kräfte vorherzusagen, auch von der Identität der beteiligten Elemente abhängt. Bestimmte Elemente, insbesondere Übergangsmetalle wie Eisen, Niob und Molybdän, waren konsistent schwieriger für die Modelle korrekt zu bestimmen, unabhängig davon, ob sie in einem einfachen Metall oder in einer komplexen Mischung vorkamen. Diese Schwierigkeit hängt damit zusammen, wie die Elektronen in diesen Atomen auf Bewegung und Änderungen ihres Energieniveaus reagieren – ein subtiles elektronisches Verhalten, das mit Standard-Mathematikbeschreibungen schwer zu erfassen ist.

Die Studie testete auch, ob die Hinzufügung komplexerer mathematischer Werkzeuge zu den Modellen diese Probleme lösen könnte. Konkret verglichen sie Modelle, die nur den Abstand zwischen den Atomen betrachteten, mit Modellen, die auch die Winkel betrachteten, die von Gruppen von Atomen gebildet werden. Die Modelle, die diese Winkeldetails einbezogen, schnitten signifikant besser ab und reduzierten den Fehler für schwierige Elemente um durchschnittlich fast 40 Prozent. Dies deutet darauf hin, dass die Modelle, um die komplexe, überfüllte Welt von Multi-Element-Materialien zu verstehen, nicht nur sehen müssen, wie weit die Atome voneinander entfernt sind, sondern auch, wie sie zueinander orientiert sind. Die Forscher kamen zu dem Schluss, dass die bloße Sammlung von mehr Daten nicht die einzige Lösung ist. Stattdessen müssen die Daten sorgfältiger ausgewählt werden. Zukünftige Trainingssätze sollten gezielt diese Hochrisiko-, Kompressionsumgebungen und die hartnäckigen Elemente anvisieren, die die meisten Probleme verursachen. Durch das Verständnis dessen, wo und warum diese Modelle scheitern, können Wissenschaftler nun bessere Werkzeuge bauen, die es ihnen ermöglichen, die nächste Generation fortschrittlicher Materialien mit größerer Zuversicht und Präzision zu entwickeln.