Upscaling DFT-trained machine-learning interatomic potential toward Quantum Monte Carlo accuracy: Sulfur-vacancy migration in monolayer MoS$_2$ as a testbed

Questo lavoro presenta un approccio di machine learning multi-fidelity che affina un potenziale interatomico addestrato con DFT utilizzando energie limitate di Monte Carlo quantistico per raggiungere un'accuratezza vicina a quella del QMC nella simulazione della migrazione dei difetti di zolfo nel MoS$_2$ monostrato, consentendo simulazioni su larga scala ad alta precisione che sarebbero computazionalmente proibitive con metodi QMC diretti.

L'essenziale

Immagina di dover costruire una mappa perfetta di un terreno montuoso per aiutare gli escursionisti (gli atomi) a muoversi in sicurezza.

Il Problema: La Mappa è Troppo Costosa o Troppo Grezza
Gli scienziati hanno due modi principali per disegnare questa mappa:

1. La Mappa "Sufficientemente Buona" (DFT): È come un GPS standard. È veloce, economica da generare e ti dà un'idea decente di dove si trovano le colline e le valli. Tuttavia, a volte sbaglia l'altezza delle vette. Se stai cercando di attraversare un passo di montagna specifico (una reazione chimica), questa mappa potrebbe dirti che il passo è facile da scalare quando in realtà è una scogliera ripida.
2. La Mappa "Perfetta" (QMC): È un rilevamento satellitare che misura ogni singolo sasso e ciottolo con incredibile precisione. Fornisce l'altezza reale delle montagne. Ma è così costosa e lenta da realizzare che puoi permetterti di rilevare solo una minuscola porzione di terreno. Non puoi usarla per mappare un intero continente o simulare un'escursione lunga perché il computer impiegherebbe secoli per finire.

La Soluzione: Un Approccio Ibrido Intelligente
Gli autori di questo articolo hanno escogitato un trucco intelligente per ottenere il meglio di entrambi i mondi. Volevano aggiornare la loro mappa "Sufficientemente Buona" per renderla precisa quanto la mappa "Perfetta", ma senza il costo impossibile.

Ecco come hanno fatto, usando un'analogia con la sintonizzazione di un'auto:

• Il Motore (Il Modello AI): Hanno iniziato con un'auto (un modello AI chiamato MACE) già costruita utilizzando la mappa "Sufficientemente Buona". Questa auto guida bene e sa come gestire le curve (le forze atomiche) perché è stata addestrata sui dati rapidi e standard.
• L'Iniezione di Carburante (La Correzione dell'Energia): Si sono resi conto che il tachimetro dell'auto (i livelli energetici) era leggermente fuori taratura rispetto alla mappa "Perfetta". Quindi, hanno prelevato alcuni campioni di carburante molto costosi e ad alta precisione (energie QMC) da punti specifici della montagna.
• La Sintonizzazione (Fine-Tuning): Invece di ricostruire l'intera auto da zero (il che sarebbe stato troppo difficile), hanno regolato solo il cruscotto e il tachimetro (gli strati di "lettura" dell'AI). Hanno usato i costosi campioni di carburante per ricalibrare il tachimetro in modo che leggesse l'altezza reale delle montagne.
• Il Freno di Sicurezza (Vincolo sulle Forze): Qui sta la parte delicata. Se modifichi solo il tachimetro, l'auto potrebbe iniziare a guidare in modo selvaggio perché il motore non sa come gestire la nuova velocità. Per evitare questo, hanno aggiunto un "freno di sicurezza". Hanno detto all'AI: "Puoi cambiare la velocità per adattarla alla mappa perfetta, MA non puoi cambiare il modo in cui l'auto sterza (le forze) per più di una minuscola quantità sicura." Questo mantiene l'auto stabile e impedisce che si schianti contro scogliere immaginarie.

Il Test: Vacanze di Zolfo nel MoS2
Per testare questo nuovo metodo, hanno utilizzato un materiale specifico: un foglio sottile di Disolfuro di Molibdeno (MoS2). Hanno osservato cosa succede quando manca un singolo atomo di zolfo (una "vacanza") e cerca di spostarsi in un nuovo punto. Questo movimento è come un escursionista che cerca di attraversare una cresta.

• Il Vecchio Metodo: La mappa standard diceva che l'escursionista doveva scalare una collina di 2,30 eV.
• Il Metodo Perfetto: Il rilevamento costoso e ad alta precisione diceva che la collina era in realtà di 2,85 eV. Questa è una differenza enorme!
• Il Nuovo Metodo Ibrido: Il loro modello sintonizzato ha previsto 2,75 eV. Era quasi preciso quanto il rilevamento costoso, ma calcolato istantaneamente.

I Risultati

• Precisione: Il nuovo modello ha ottenuto le barriere energetiche (l'altezza delle colline) quasi esattamente giusta, corrispondendo ai risultati costosi "gold standard" entro un margine di errore minuscolo.
• Forze: Anche se non hanno usato i dati costosi per insegnare al modello come sterzare (forze), il "freno di sicurezza" ha mantenuto lo sterzo preciso. Lo sterzo del modello è diventato molto migliore rispetto all'originale, corrispondendo al rilevamento ad alta precisione quasi quanto faceva la mappa originale.
• Scalabilità: Poiché il modello è veloce, hanno potuto simulare scenari enormi — come un'intera fila di atomi mancanti che si muovono contemporaneamente — che sarebbero stati impossibili da calcolare con il metodo costoso.

In Sintesi
Gli autori hanno creato un "aggiornamento intelligente" per le simulazioni al computer. Hanno preso un modello veloce e leggermente impreciso e gli hanno somministrato una piccola dose di dati costosi e ad alta precisione per correggere le sue letture energetiche, utilizzando al contempo una regola di sicurezza per mantenere stabili le sue previsioni di movimento. Questo permette agli scienziati di eseguire simulazioni massive e ad alta accuratezza di materiali che in precedenza erano troppo difficili o costosi da studiare.

Sommario tecnico

Riepilogo Tecnico: Upscaling di MLIP addestrati con DFT verso l'accuratezza QMC

Enunciato del Problema
La modellazione accurata delle superfici di energia potenziale (PES) è fondamentale per simulare processi attivati come la diffusione delle vacanze e le trasformazioni di fase. Sebbene i potenziali interatomici basati sull'apprendimento automatico (MLIP) consentano il campionamento su larga scala e i calcoli di energia libera che sono computazionalmente proibitivi per i metodi di primi principi, la loro accuratezza è intrinsecamente limitata dai dati di riferimento utilizzati per l'addestramento. Gli MLIP standard addestrati con la Teoria del Funzionale della Densità (DFT) riproducono i risultati DFT, che spesso contengono bias sistematici nelle altezze delle barriere e nella energetica dei difetti. Al contrario, i metodi Monte Carlo Quantistico (QMC) offrono energie di qualità di riferimento che si avvicinano all'accuratezza chimica, ma sono attualmente troppo costosi per un campionamento esteso. Inoltre, ottenere forze atomiche convergenti da metodi QMC stocastici (in particolare il Monte Carlo a diffusione a nodo fisso, FN-DMC) è significativamente più difficile e meno routinario rispetto al calcolo delle energie, creando un collo di bottiglia per l'addestramento di MLIP ad alta fedeltà che dipendono dai dati delle forze.

Metodologia
Gli autori propongono una strategia di apprendimento multi-fiducia (MFL) per "scalare" un MLIP addestrato con DFT verso un'accuratezza vicina a quella QMC senza richiedere calcoli diretti delle forze QMC. L'approccio utilizza uno schema di fine-tuning (FT) parzialmente congelato su una rete neurale di passaggio messaggi equivariante (MACE). La metodologia consta di tre componenti fondamentali:

1. Generazione dei Dati: È stato generato un dataset di circa $10^3$ configurazioni utilizzando dinamica molecolare (MD) vincolata e percorsi a banda elastica nudged (NEB) basati su un potenziale MACE preesistente addestrato con DFT. Sono state calcolate energie FN-DMC a punto singolo per queste configurazioni, mentre le forze atomiche sono state mantenute dai calcoli DFT sottostanti.
2. Architettura di Fine-Tuning: Gli autori hanno eseguito il fine-tuning solo dei livelli di "lettura" (readout) del modello MACE, che mappano le caratteristiche invarianti apprese sulle energie per atomo. I livelli di passaggio messaggi equivarianti, che codificano la rappresentazione geometrica degli ambienti locali e il campo di forze appreso con DFT, sono stati congelati. Questo preserva la fisica strutturale qualitativa appresa dal DFT, consentendo al contempo che la mappatura energetica venga ricalibrata rispetto agli obiettivi QMC.
3. Funzione di Perdita e Vincoli: L'obiettivo di addestramento minimizza una funzione di perdita combinata contenente un termine di errore quadratico medio (MSE) per le energie FN-DMC e un termine di penalità a soglia per la deviazione delle forze previste rispetto alle forze di base DFT.
   • La penalità per le forze è definita come $FEt(F_{pred}, F_{DFT}) = \Theta(\|\Delta F\|^2 - t^2)(\|\Delta F\|^2 - t^2)^2$, dove $t$ è un parametro di soglia (impostato a 16 eV/Å).
   • Questo vincolo impedisce al modello di sviluppare forze non fisiche o grandi deviazioni dalla dinamica DFT stabile, consentendo comunque al paesaggio energetico di spostarsi verso l'accuratezza QMC.

Contributi Chiave

• Upscaling Vincolato alle Forze: Il documento dimostra un protocollo pratico per correggere gli MLIP addestrati con DFT utilizzando energie QMC di alto livello e forze DFT di basso livello, aggirando la necessità di calcoli delle forze QMC costosi e rumorosi.
• Strategia di Congelamento Parziale: Congelando i livelli di passaggio messaggi e aggiornando solo la lettura, gli autori mantengono la stabilità del campo di forze DFT ottenendo al contempo un'energetica di livello QMC.
• Validazione Multi-Fiducia: Lo studio valida che un dataset limitato di energie QMC (anche solo 37 campioni) è sufficiente per migliorare significativamente il modello, con le prestazioni che si stabilizzano intorno ai 500 campioni.

Risultati
Il metodo è stato testato sulla migrazione di vacanze di zolfo (S) nel MoS2 monostrato, un sistema che coinvolge vacanze mono-, bi- e quadri-vacanze.

• Energetica: L'MLIP fine-tunato (FT-MLIP) ha raggiunto un'accuratezza vicina a quella QMC per le barriere di migrazione. Per una vacanza mono, la barriera FT-MLIP (2,75 eV) differiva di soli ~0,1 eV dal risultato FN-DMC esplicito (2,85 eV), mentre l'MLIP DFT di base era inferiore di 0,55 eV.
• Forze: Sebbene non addestrato su forze QMC, l'FT-MLIP ha mostrato una fedeltà delle forze migliorata. L'errore assoluto medio (MAE) delle forze atomiche rispetto alle derivate QMC è diminuito da 220 meV/Å (DFT-MLIP) a 160 meV/Å (FT-MLIP).
• Generalizzazione (Fuori Dominio): Il modello ha previsto con successo le barriere di migrazione per vacanze bi- e quadri-vacanze (test di trasferimento) con deviazioni di soli 0,04–0,15 eV dai calcoli FN-DMC espliciti, superando significativamente la baseline DFT.
• Energia Libera: L'approccio ha permesso simulazioni su larga scala di integrazione termodinamica per calcolare le barriere di energia libera a 300, 600 e 900 K, rivelando che le correzioni di entropia vibrazionale sono comparabili in grandezza alle correzioni energetiche QMC e possono alterare qualitativamente le posizioni degli stati di transizione.

Significato
Gli autori affermano che questo approccio apre la finestra a simulazioni su larga scala di qualità vicina a quella QMC per sistemi e configurazioni (come supercelle grandi con molteplici difetti) che sono inaccessibili ai metodi QMC diretti di forza bruta. Il metodo fornisce un compromesso controllato tra l'apprendimento di correzioni energetiche di alto livello e la preservazione della stabilità qualitativa del campo di forze DFT. Gli autori affermano che la tecnica è generalizzabile ad altri sistemi in cui la correlazione elettronica influisce sull'energetica ma non altera qualitativamente la PES, offrendo una strada computazionalmente sostenibile verso simulazioni di materiali di qualità di riferimento.