🔬 materials science

Correcting DFT formation energies towards experimental accuracy using foundational MLIPs and latent-feature delta-learning

Dit artikel presenteert de op experimenten gerichte MC3D-database en demonstreert dat het combineren van fundamentele machine learning interatomaire potentialen met latent-feature delta-learning de DFT-vormingsenergieën significant corrigeert, waardoor fouten worden teruggebracht tot niveaus van experimentele onzekerheid terwijl de relatieve fasestabiliteit behouden blijft.

Oorspronkelijke auteurs: Timo Reents, Marnik Bercx, Giovanni Pizzi

Gepubliceerd 2026-07-21

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Timo Reents, Marnik Bercx, Giovanni Pizzi

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een chef-kok bent die probeert een nieuw, heerlijk recept voor een taart uit te vinden. Je hebt een enorm kookboek met duizenden bestaande recepten, maar ze zijn allemaal geschreven door een chef die een zeer oude, licht onnauwkeurige maatbeker gebruikt. Soms komt de taart perfect uit, maar andere keren is hij te zout of te droog omdat de maatbeker ingrediënten niet helemaal goed meet. In de wereld van de materiaalkunde zijn wetenschappers de chef-koks, en de "recepten" zijn kristalstructuren van nieuwe materialen die ze willen ontdekken. De "ingrediënten" zijn atomen zoals zuurstof, ijzer of koolstof. De "oude maatbeker" is een computersimulatiemethode genaamd Density Functional Theory (DFT), specifiek een versie bekend als GGA. Het is ongelooflijk snel en heeft geholpen bij het opbouwen van enorme bibliotheken van potentiële materialen, maar het heeft een bekende fout: het raadt de "stabiliteit" van een materiaal vaak verkeerd in, waardoor het denkt dat een materiaal stabiel is terwijl het in de echte wereld eigenlijk uit elkaar zou vallen.

Om dit op te lossen, proberen wetenschappers meestal handmatig de getallen aan te passen, zoals een snufje zout aan elk recept toevoegen om de slechte maatbeker te compenseren. Dit wordt een "empirische correctie" genoemd. Het helpt, maar het is een soort gok-en-controle spel. Onlangs is er een nieuwe generatie "slimme" computermodellen, genaamd foundational Machine Learning Interatomic Potentials (MLIPs), gearriveerd. Denk aan deze AI-chefs die miljoenen taarten hebben geproefd en de ware smaak van ingrediënten hebben geleerd zonder een maatbeker nodig te hebben. De grote vraag is: kunnen we deze AI-chefs gebruiken om de oude, onnauwkeurige recepten te repareren zonder dat we elke taart opnieuw van scratch moeten bakken?

Dit artikel, getiteld "Correcting DFT formation energies towards experimental accuracy using foundational MLIPs and latent-feature delta-learning", duikt precies in dat onderwerp. De auteurs, werkend met de Materials Cloud drie-dimensionale kristallen database (MC3D), controleerden eerst of hun nieuwe database van "recepten" overeenkwam met twee andere beroemde databases (Materials Project en OQMD). Ze kwamen tot de conclusie dat hoewel de ruwe computernummers erg vergelijkbaar waren, de verschillen meestal voortkwamen uit hoe verschillende teams probeerden de fouten handmatig te corrigeren.

De echte magie gebeurt hierna. De auteurs testten een specifiek AI-model genaamd PET-OMATPES, dat getraind was op een geavanceerder niveau van fysica (genaamd r2SCAN) dat bekend staat als nauwkeuriger maar veel langzamer om uit te voeren. Ze gebruikten deze AI om naar de oude, snelle GGA-recepten te kijken en te voorspellen wat de vormingsenergie zou moeten zijn. Het resultaat was een enorme verbetering: de AI verminderde de gemiddelde fout met meer dan 40% vergeleken met de oude methode, zonder ook maar één nieuwe, trage simulatie te draaien. Het was alsof de AI-chef direct tegen je zei: "Hé, als je de juiste maatbeker had gebruikt, zou deze taart eigenlijk deze zoetheid hebben."

Maar de auteurs stopten daar niet. Ze wilden nog dichter bij de waarheid komen. Ze trainden een tweede, eenvoudiger machine learning-model om de kleine "overgebleven" fouten te leren die de AI-chef nog maakte. Hiervoor gebruikten ze iets dat "latent features" wordt genoemd. Stel je voor dat de AI-chef je niet alleen een getal geeft, maar ook een geheime code die de vorm en textuur van de taart beschrijft op een manier die een mens niet kan zien. De auteurs gebruikten deze geheime code om hun tweede model te leren hoe het de laatste, kleine fouten kon corrigeren.

Het resultaat is een tweestaps-proces dat de computervoorspellingen brengt naar een fout van minder dan 50 meV/atoom. Om dat in perspectief te plaatsen: dat is een nauwkeurigheidsniveau dat zo hoog is dat het bijna niet te onderscheiden is van de onzekerheid in experimenten in de echte wereld zelf. Het artikel suggereert dat deze methode superieur is aan de oude handmatige "snufje zout"-correcties (bekend als FERE) omdat het de fouten consistenter corrigeert en, cruciaal, niet per ongeluk de "stabiliteitsrangschikking" van de materialen verpest. Met andere woorden: het maakt de voorspellingen nauwkeuriger zonder in de war te raken over welke materialen daadwerkelijk stabiel zijn en welke niet. De auteurs concluderen dat door de snelheid van oude methoden te combineren met de hersenkracht van deze nieuwe fundamentele AI-modellen, we de voorspellingen van onze computers eindelijk veel meer kunnen vertrouwen dan voorheen.

Technische Samenvatting: Corrigeren van DFT-vormingsenergieën naar experimentele nauwkeurigheid met behulp van fundamentele MLIPs en Latente-Feature Delta-Learning

Probleemstelling
High-throughput computationele materiaalkundige ontdekking leunt zwaar op databases van vormingsenergieën berekend via Density Functional Theory (DFT). Hoewel deze databases (bijv. Materials Project, OQMD) de screening van thermodynamische stabiliteit mogelijk maken, vertonen de standaard Generalized Gradient Approximation (GGA) functionalen (PBE, PBEsol) systematische onnauwkeurigheden wanneer ze worden vergeleken met experimentele vormingsenthalpieën. Deze fouten, die vaak groter zijn dan 150 meV/atoom, komen voort uit zaken zoals de overbinding van diatomische gassen en de gebrekkige beschrijving van gelokaliseerde elektronen. Hoewel meta-GGA functionalen (bijv. r2SCAN) een verbeterde nauwkeurigheid bieden, wordt hun brede adoptie in high-throughput workflows gehinderd door de computationele kosten en een gebrek aan geverifieerde pseudopotentialen. Bovendien introduceren bestaande empirische correctieschema's (bijv. FERE) niet-gladheid en extra onzekerheid, wat nadelig kan zijn bij het trainen van machine learning (ML) modellen. De uitdaging is om de overeenstemming tussen DFT-berekende vormingsenergieën en experimentele data te verbeteren zonder de noodzaak te hebben om volledige databases te herberekenen op hogere theoretische niveaus, terwijl men er ook voor zorgt dat correcties de relatieve fase-stabiliteit niet willekeurig verstoren.

Methodologie
De auteurs introduceren een meerfasige aanpak om de vormingsenergieën van de Materials Cloud drie-dimensionale kristaldatabase (MC3D) te verfijnen, met de focus op experimenteel bekende verbindingen.

Database Validatie: De studie stelt eerst de thermodynamische stabiliteitsdata vast voor MC3D (gebruikmakend van PBE en PBEsol functionalen binnen Quantum ESPRESSO) en valideert deze tegen gevestigde databases (Materials Project en OQMD) en experimentele referenties. Dit omvat een analyse van verschillen tussen databases die voortkomen uit verschillende computationele parameters en empirische correctieschema's.
Foundational MLIP Zero-Shot Correctie: In plaats van DFT-berekeningen opnieuw uit te voeren met meta-GGA functionalen, gebruiken de auteurs een fundamentele Machine Learning Interatomic Potential (fMLIP), specifiek PET-OMATPES, getraind op r2SCAN-niveau data. Ze evalueren de "zero-shot" vormingsenergieën van dit model op geometrieën die zijn gerelaxeerd op GGA-niveau (PBE/PBEsol). Ze testen ook het effect van het direct uitvoeren van structurele relaxaties met de fMLIP.
Delta-Learning met Latente Features: Om de fouten verder te verminderen, trainen de auteurs klassieke ML-modellen (Random Forest, Kernel Ridge Regression, en Gaussian Process Regression) in een delta-learning framework. Deze modellen voorspellen het residu tussen de berekende vormingsenergie (ofwel GGA of fMLIP-geschatte energie) en de experimentele waarden.
- Features: De modellen maken gebruik van twee soorten input-features: (i) zuiver compositionele features (Magpie) en (ii) latente features (LFs) geëxtraheerd uit de tussenliggende lagen van de PET-OMATPES fMLIP. De LFs worden verondersteld structurele informatie en correctie-relevante patronen te coderen die zijn geleerd van miljoenen kristalstructuren.
- Regularisatie: De studie onderzoekt systematisch de impact van regularisatie (specifiek in Kernel Ridge Regression) op de afweging tussen het minimaliseren van de Mean Absolute Error (MAE) van vormingsenergieën en het behouden van de relatieve fase-stabiliteit (gemeten via de "stability flip rate").

Belangrijkste Resultaten

Database Consistentie: Zuivere DFT-vormingsenergieën over MC3D, Materials Project en OQMD vertonen een hoge mate van overeenstemming (Median Absolute Difference ~15–18 meV/atom). Discrepanties in gecorrigeerde waarden worden grotendeels gedreven door verschillende empirische correctieschema's, met name met betrekking tot zuurstofhoudende verbindingen.
fMLIP Zero-Shot Prestaties: Het PET-OMATPES model, geëvalueerd op r2SCAN-niveau op GGA-gerelaxeerde geometrieën, vermindert de MAE ten opzichte van experimenten met meer dan 40% vergeleken met zuivere GGA. Voor PBEsol-gerelaxeerde structuren verdwijnt de bias volledig (ME ≈ 0 meV/atom), en de MAE daalt naar ~85 meV/atom. Structurele relaxaties die direct door de fMLIP worden uitgevoerd, leveren resultaten op die vergelijkbaar zijn met DFT-relaxaties, met een iets betere volumetrische overeenkomst met experimentele structuren.
Delta-Learning Verbeteringen: Het trainen van klassieke ML-modellen op de residuen verbetert de nauwkeurigheid aanzienlijk. Door gebruik te maken van de latente features van de fMLIP, bereiken de beste modellen (KRR en GPR) een MAE van ongeveer 50 meV/atom (specifiek 49–52 meV/atom), een waarde die vergelijkbaar is met de inherente onzekerheid van experimentele data zelf.
Latente Features versus Compositionele Features: In tegenstelling tot eerdere bevindingen dat compositionele features superieur zijn voor correcties, demonstreert deze studie dat latente features simultaan de voorspellingsfout verminderen en de stability flip rate verlagen.
Regularisatie en Stabiliteit: Zorgvuldige afstemming van regularisatieparameters (bijv. $\alpha = 0.1$ in KRR) maakt een balans mogelijk waarbij de MAE wordt geminimaliseerd terwijl de stability flip rate (het deel van de materialen die van stabiliteitsclassificatie veranderen) laag wordt gehouden (onder de 10% voor strikte drempels, convergerend naar ~3–4% voor standaard 25 meV/atom vensters). De geleerde correcties blijken niet-willekeurig en fysiek gemotiveerd te zijn, aangezien ze grotendeels overeenkomen met de stabiliteitsveranderingen die al door de onderliggende fMLIP zijn geïntroduceerd.
Vergelijking met FERE: Het voorgestelde ML-aanpak presteert beter dan gevestigde FERE-correcties. Terwijl FERE-methoden de voorspellingen voor een aanzienlijk deel van de verbindingen kunnen verslechteren (tot 32% voor FERE-all), verslechtert de ML-aanpak minder verbindingen en beperkt zij de omvang van de verslechtering in die gevallen.

Betekenis en Claims
Het artikel claimt de gevestigde praktijk van het koppelen van PBEsol-geometrieën aan meta-GGA energieën voort te zetten in het tijdperk van fundamentele MLIPs. De primaire bijdrage is de demonstratie dat fMLIPs superieure schatters van vormingsenergieën kunnen zijn ten opzien van experimenten zonder dat daarvoor extra DFT-berekeningen nodig zijn. Bovendien vestigt het werk dat de latente features van deze fundamentele modellen een krachtige bron zijn voor downstream ML-correcties, wat een pad biedt naar het bereiken van experimentele nauwkeurigheid (MAE < 50 meV/atom) terwijl de integriteit van de relatieve fase-stabiliteit behouden blijft. De auteurs positioneren deze tweestapsbenadering (zero-shot fMLIP evaluatie gevolgd door delta-learning) als een robuuste methode om bestaande GGA-databases te corrigeren, gevalideerd tegen zowel experimentele data als gevestigde empirische correctieschema's.

Meer zoals dit