🔬 materials science

A latent-space extrapolation grade built into graph atomic cluster expansion foundation potentials

Este artículo introduce el grado de extrapolación de Mahalanobis calibrado (CALM), una métrica de incertidencia por átomo computacionalmente eficiente e integrada en potenciales fundacionales de GRACE que detecta de manera confiable la extrapolación estructural y química al correlacionar las distancias en el espacio latente con los errores de fuerza para guiar la recolección de datos dirigida.

Autores originales: Yury Lysogorskiy, Anton Bochkarev, Ralf Drautz

Publicado 2026-10-01

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Yury Lysogorskiy, Anton Bochkarev, Ralf Drautz

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el mundo de la ciencia de materiales, los investigadores utilizan potentes programas informáticos para predecir cómo se comportan los átomos. Estos programas, conocidos como potenciales de aprendizaje automático, actúan como un puente entre los cálculos exactos y lentos de la física cuántica y las simulaciones rápidas y a gran escala necesarias para diseñar nuevas baterías, metales más fuertes o celdas solares más eficientes. Al aprender de vastas bibliotecas de arreglos atómicos conocidos, estos modelos pueden adivinar instantáneamente la energía y las fuerzas que actúan sobre los átomos en una nueva situación. Esta velocidad ha desbloqueado la capacidad de simular cristales enteros y reacciones químicas complejas que antes eran demasiado costosas de computar. Sin embargo, persiste un punto ciego crítico: cuando estos modelos encuentran una situación que nunca han visto, a menudo fallan silenciosamente. Pueden producir un resultado que parece perfectamente razonable pero que es erróneamente disparatado, sin ofrecer ninguna advertencia de que la predicción se ha desviado mucho del ámbito que el modelo realmente conoce.

Para resolver este problema, un equipo de investigadores de la Universidad de la Ruhr de Bochum ha desarrollado una nueva forma de medir la confianza en tiempo real. Introdujeron un sistema llamado grado de extrapolación de Mahalanobis calibrado, o simplemente "grado calm", que actúa como una brújula interna para estos modelos atómicos. Imagine un mapa donde el modelo conoce cada calle de una ciudad específica. Si un conductor se mantiene en esas calles, el mapa es fiable. Pero si el conductor de repente se encuentra en un desierto o en un país diferente, el mapa es inútil. El nuevo sistema otorga a cada átomo una puntuación que le dice a la computadora exactamente qué tan lejos se ha desviado de las calles conocidas. Si la puntuación es baja, el átomo está en territorio familiar. Si la puntuación es alta, el átomo está en territorio desconocido, y la computadora sabe que debe tratar el resultado con extrema cautela.

Los investigadores integraron este sistema en un modelo fundacional llamado GRACE, el cual está diseñado para trabajar en una amplia gama de elementos y entornos químicos. En lugar de ejecutar múltiples copias del modelo para verificar errores —un método que es preciso pero computacionalmente costoso y lento—, diseñaron una verificación única y ligera que se ejecuta junto al cálculo principal. Esta verificación examina la "huella digital" matemática del vecindario de un átomo. Compara esta huella con una biblioteca de huellas digitales recopiladas de los datos de entrenamiento. Si la nueva huella digital es demasiado diferente de cualquier cosa que el modelo haya visto antes, el sistema la señala. Crucialmente, esta verificación está calibrada para que una puntuación específica, establecida en uno, marque el límite entre lo que el modelo conoce y lo que está adivinando.

El equipo probó este enfoque rigurosamente utilizando dos conjuntos de datos masivos que contienen millones de configuraciones atómicas. Encontraron que la puntuación se correlaciona fuertemente con el error real en las predicciones del modelo. Cuando la puntuación era baja, las conjeturas del modelo sobre cómo los átomos se empujan y se atraen eran precisas. Cuando la puntuación superaba el umbral, los errores crecían significativamente, a veces por órdenes de magnitud. El sistema demostró ser eficaz para detectar dos tipos distintos de peligro. Primero, detectó sorpresas estructurales, como átomos comprimidos demasiado apretadamente o estirados demasiado lejos, o átomos situados en la superficie de un material donde faltan sus vecinos. Segundo, detectó sorpresas químicas, como un material compuesto por una mezcla de elementos en proporciones que el modelo nunca había visto durante su entrenamiento. En una prueba que involucraba una mezcla de molibdeno y tungsteno, el sistema identificó correctamente que el modelo estaba teniendo dificultades cuando la concentración de tungsteno excedía los límites de los datos de entrenamiento, a pesar de que los átomos eran químicamente similares a lo que el modelo conocía.

Más allá de simplemente señalar errores, los investigadores demostraron que esta puntuación podía utilizarse para mejorar activamente el modelo. Al usar la puntuación para guiar una simulación computacional, pudieron dirigir la simulación hacia las regiones de mayor incertidumbre del paisaje atómico. En lugar de dejar que la simulación deambulara aleatoriamente, utilizaron la puntuación como un sesgo para empujar a los átomos hacia configuraciones donde el modelo tenía menor confianza. Esto permitió recolectar nuevos puntos de datos de alto valor exactamente donde más se necesitaban. Cuando utilizaron estos nuevos puntos de datos para reentrenar el modelo, el potencial resultante fue significativamente mejor al manejar altas temperaturas y estados líquidos que un modelo entrenado con la misma cantidad de datos recolectados sin esta guía. Esto sugiere que el sistema no solo identifica problemas, sino que proporciona una hoja de ruta para solucionarlos de manera eficiente.

El método es también notablemente eficiente. Añadir esta verificación de confianza a una simulación aumenta el tiempo de computación solo en una fracción mínima, a menudo menos del uno por ciento para modelos más grandes y complejos. Esto significa que puede utilizarse en cada uno de los pasos de una simulación larga sin ralentizar la investigación. Los investigadores demostraron que este pequeño costo compra una ganancia masiva en fiabilidad, permitiendo a los científicos realizar simulaciones con la confianza de que no se están desviando involuntariamente hacia el error. Al integrar este grado "calm" directamente en los modelos fundacionales, el equipo ha proporcionado una herramienta que hace que estas poderosas simulaciones sean más seguras y confiables, asegurando que, cuando los científicos observan el mundo atómico, sepan exactamente cuándo están mirando un reflejo de la realidad y cuándo están mirando una conjetura.

Resumen Técnico: Grado de Extrapolación CALM para Potenciales de Base de Expansión de Clústeres Atómicos de Grafos

Planteamiento del Problema
Los modelos de base de aprendizaje automático interatómico (MLIPs), como GRACE, MACE-MP y NequIP, permiten simulaciones atomísticas rápidas a través de amplios espacios configuracionales y químicos (por ejemplo, OMat24, SMAX). Si bien estos modelos se aproximan a la precisión de la Teoría del Funcional de la Densidad (DFT) dentro de sus dominios de entrenamiento, carecen de una cuantificación de la incertidumbre (UQ) nativa. En consecuencia, las simulaciones no pueden distinguir entre la interpolación (dentro de la distribución de entrenamiento) y la extrapolación silenciosa (fuera de la distribución), donde los errores de predicción pueden aumentar en órdenes de magnitud. Los métodos de UQ existentes, como los ensambles profundos (deep ensembles), son computacionalmente prohibitivos para los modelos de base debido a la necesidad de múltiples ejecuciones de entrenamiento y pasadas de inferencia. Otros métodos, como las aproximaciones bayesianas o la regresión evidencial, a menudo requieren cambios arquitectónicos, entrenamiento adicional o pasadas estocásticas repetidas. Existe la necesidad de un grado de extrapolación calibrado y resuelto por átomo que añada una sobrecarga computacional mínima y pueda evaluarse junto con las energías y fuerzas en una sola pasada del modelo.

Metodología
Los autores introducen el grado de extrapolación Calibrated Mahalanobis (CALM), denotado como $\gamma$ . Este método se integra en los modelos de base GRACE y opera de la siguiente manera:

Representación de Características: El método utiliza un espacio de características latentes derivado de la base invariante de muchos cuerpos del MLIP. Para manejar el amplio rango de magnitudes de la base y asegurar la robustez bajo deformación estructural (compresión y estiramiento), los autores emplean una construcción de características específica:
- La base completa de productos invariantes se normaliza a la norma $L_2$ unitaria.
- Una proyección aleatoria fija (transformada de Johnson-Lindenstrauss) reduce la dimensionalidad (por ejemplo, a 128 dimensiones).
- Se anexan canales de norma logarítmica de la base completa y de los bloques de reducción individuales a la proyección para preservar la información de magnitud perdida durante la normalización.
Agrupamiento y Distancia de Mahalanobis: Para cada elemento químico, los datos de entrenamiento en el espacio de características latentes se agrupan (clustering). Para un átomo dado con un vector de característica latente $z$ , el método identifica su centro de grupo (centroid) más cercano $k^*$ . La distancia de Mahalanobis $\sigma$ se calcula como:
$\sigma = \sqrt{(z - \mu_{e,k^*})^T \Sigma_{e,k^*}^{-1} (z - \mu_{e,k^*})}$
donde $\mu$ y $\Sigma$ son la media y la covarianza del grupo asignado.
Calibración: La distancia $\sigma$ se normaliza mediante un umbral específico del grupo $\theta_{e,k^*}$ para producir el grado $\gamma = \sigma / \theta_{e,k^*}$ . El umbral se define como la mediana de las distancias del conjunto de entrenamiento más tres desviaciones estándar (estimadas mediante la Desviación Absoluta de la Mediana). Así, $\gamma = 1$ marca el límite calibrado del soporte de entrenamiento; $\gamma \le 1$ indica interpolación, mientras que $\gamma > 1$ indica extrapolación.
Diferenciabilidad y Agregación: Dentro de una asignación de grupo fija, $\gamma$ es diferenciable con respecto a las posiciones atómicas. Los autores también definen un grado promedio de vecindad ponderado ( $\gamma_{nbr}$ ) para mejorar la localización de la incertidumbre del error de fuerza.
Eficiencia Computacional: El grado se evalúa en una sola pasada del modelo junto con las energías y fuerzas. Requiere solo el cálculo de las distancias a las estadísticas de los grupos almacenadas, lo que supone una sobrecarga computacional de menos del 1% al 6%, dependiendo de la profundidad del modelo.

Contribuciones Clave

Grado CALM: Un grado de extrapolación por átomo, diferenciable por partes e integrado directamente en los modelos de base GRACE.
Ingeniería de Características: Demostración de que una base invariante normalizada con canales de norma logarítmica es superior a las bases crudas o proyectadas linealmente para detectar tanto la extrapolación estructural (compresión/estiramiento) como la química.
Estrategia de Calibración: Un método para establecer un umbral universal ( $\gamma=1$ ) a través de diferentes elementos y grupos basado en las distribuciones de distancia del conjunto de entrenamiento, permitiendo una interpretación consistente del riesgo de extrapolación.
Muestreo Guiado por la Incertidumbre: Utilización del gradiente espacial de $\gamma$ para sesgar las simulaciones de dinámica molecular (MD) hacia regiones inciertas, facilitando el aprendizaje activo y la expansión del conjunto de datos sin reentrenar el modelo base durante el muestreo.

Resultados

Validación en Pruebas Controladas: El grado CALM identifica con éxito la extrapolación estructural en prototipos elementales (Al, Cu, Fe, Si, Ti, W) bajo compresión y estiramiento, superando a las bases proyectadas linealmente que fallan al detectar el estiramiento cuando los vecinos abandonan el radio de corte (cutoff).
Correlación con el Error: En los conjuntos de datos OMat24-val (dentro de la distribución) y SMAX (fuera de la distribución), $\gamma$ se correlaciona con los errores de fuerza atómica. La correlación de Spearman alcanza 0.497 en OMat24-val y 0.617 en SMAX. El promedio de vecindario ( $\gamma_{nbr}$ ) mejora estas correlaciones aún más.
Comparación con Alternativas: CALM logra correlaciones de error de fuerza más altas que los grados de D-optimalidad (MaxVol) construidos sobre las mismas características y se comporta de manera comparable a los ensambles profundos (que requieren 3 veces el costo de inferencia), siendo significativamente más económico.
Benchmark de Descubrimiento de Materiales: Aplicado al benchmark de energía de formación de WBM, el filtrado de estructuras con $\gamma > 1$ reduce el error absoluto medio (MAE) de las energías de formación de 17.7 a 16.3 meV/átomo, reteniendo el 80% de las estructuras.
Aprendizaje Activo: En la MD guiada por la incertidumbre (HAL) en Aluminio y Silicio, el muestreo a lo largo del gradiente de $\gamma$ recolecta configuraciones con mayores errores de fuerza que la MD sin sesgo. Los potenciales ajustados (upfitted) con estos conjuntos de datos sesgados por la incertidumbre muestran una precisión mejorada a altas temperaturas y en fases líquidas en comparación con aquellos entrenados con datos sin sesgo.
Expansión del Modelo de Base: Al aplicarse a un modelo de base entrenado con SMAX, el método identificó con éxito configuraciones con mayores errores de fuerza que el conjunto de entrenamiento, proporcionando candidatos para extender el dominio de entrenamiento del modelo.

Significancia y Reivindicaciones
El artículo afirma que el grado CALM proporciona una solución práctica y de bajo costo para la cuantificación de la incertidumbre en los MLIPs de base. Al ser diferenciable y computable en una sola pasada, permite el monitoreo en tiempo real de la fiabilidad de la simulación y guía las estrategias de adquisición de datos. Los autores enfatizan que, si bien la correlación entre $\gamma$ y el error varía según el conjunto de datos y la química, el método ofrece un límite calibrado y específico para cada elemento que separa la interpolación de la extrapolación. El trabajo demuestra que los indicadores de incertidumbre pueden ser intrínsecos al proceso de evaluación del potencial, añadiendo solo un costo computacional de nivel porcentual y mejorando significativamente la fiabilidad de las simulaciones en regímenes desconocidos y facilitando la expansión de los conjuntos de datos de entrenamiento mediante el muestreo dirigido.

Más como este