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

Materiaalwetenschappers zoeken al lang naar een manier om te voorspellen hoe een materiaal zich zal gedragen, simpelweg door te weten waar het van gemaakt is. Door één type atoom te vervangen door een ander, of door veel verschillende elementen samen te voegen in een enkel kristal, kunnen ze eigenschappen zoals sterkte, geleidbaarheid of hoe goed een batterij een lading vasthoudt, afstemmen. Dit proces, bekend als compositioneel ontwerp, is de motor achter moderne innovaties in alles van straalmotoren tot medische implantaten. Om deze nieuwe ideeën te testen, vertrouwen onderzoekers op krachtige computersimulaties die fungeren als een virtueel laboratorium. De meest nauwkeurige van deze simulaties, gebaseerd op de wetten van de kwantummechanica, zijn ongelooflijk precies maar zo traag dat ze slechts een paar atomen tegelijk kunnen verwerken. Om complexe, multi-ingrediënt materialen te bestuderen, hebben wetenschappers zich tot een nieuwere tool gewend: machine learning force fields (krachtvelden op basis van machine learning). Dit zijn kunstmatige intelligentiemodellen die getraind zijn op enorme bibliotheken van atomaire data. Ze leren de regels van hoe atomen op elkaar duwen en trekken, waardoor ze het gedrag van miljoenen atomen in seconden kunnen voorspellen. De hoop is dat deze modellen kunnen fungeren als een universele vertaler, die wat ze leerden van eenvoudige materialen toepast op de rommelige, complexe mengsels die in de echte wereld van engineering worden aangetroffen.

Er bleef echter een cruciale vraag onbeantwoord: begrijpen deze universele modellen werkelijk de vreemde, drukke buurten die ontstaan wanneer veel verschillende elementen worden gemengd? Een nieuwe studie door een team van onderzoekers in China heeft elf van de meest geavanceerde machine learning-modellen getest tegen een enorme, op maat gemaakte benchmark van bijna 7.600 complexe atomaire configuraties. Deze configuraties zijn ontworpen om de high-entropy legeringen en mixed-anion materialen na te bootsen die ingenieurs momenteel proberen te bouwen. De onderzoekers ontdekten dat hoewel deze modellen krachtig zijn, ze aanzienlijk moeite hebben wanneer atomen te dicht op elkaar worden geperst, een situatie die frequent voorkomt in deze complexe mengsels. De studie laat zien dat deze modellen niet zomaar willekeurige fouten maken; ze falen op een zeer specifieke, voorspelbare manier. Wanneer atomen worden samengedrukt, voorspellen de modellen krachten die bijna twee keer zo fout zijn als wanneer de atomen uit elkaar worden getrokken. Bovendien laat de studie zien dat de moeilijkheid van het voorspellen van deze krachten sterk afhangt van welke specifieke elementen betrokken zijn, waarbij bepaalde overgangsmetalen bijzonder koppig bleken voor de AI om te leren.

Om te begrijpen waarom dit ertoe doet, moet men eerst begrijpen wat een machine learning force field eigenlijk doet. Stel je voor dat je probeert te voorspellen hoe een menigte mensen zich door een kamer beweegt. Als je alleen ooit een kleine groep mensen hebt gezien die in een rechte lijn loopt, zul je misschien moeite hebben om te voorspellen hoe een chaotische, duwende menigte van honderden mensen zich zal gedragen. Vergelijkbaar daarmee werden deze AI-modellen getraind op datasets die miljoenen atomaire snapshots bevatten, maar die snapshots kwamen voornamelijk van materialen die naar hun meest stabiele vormen relaxeerden of standaard trillingen ondergingen. Ze bevatten zelden de extreme, drukke en chemisch diverse omgevingen die ontstaan wanneer wetenschappers doelbewust veel verschillende elementen mengen om nieuwe materialen te creëren. De onderzoekers construeerden hun benchmark om dit gat te vullen. Ze genereerden duizenden structuren waar ten minste vijf verschillende elementen in evenredige verhoudingen werden gemengd, wat een chemisch landschap creëerde dat veel drukker en gevarieerder was dan alles wat de modellen eerder hadden gezien. Vervolgens vroegen ze de elf leidende AI-modellen om de energie en de krachten die op elk atoom in deze structuren werken te voorspellen, waarbij ze de resultaten vergeleken met de gouden standaard van kwantummechanische berekeningen.

De resultaten waren onthullend. Hoewel de modellen redelijk presteerden op de algehele energie van de structuren, vertoonden hun voorspellingen voor de krachten die op individuele atomen inwerken significante fouten. De onderzoekers ontdekten dat deze fouten niet willekeurig verspreid waren. In plaats daarvan waren ze nauw verbonden met de lokale geometrie van de atomen. Wanneer de onderzoekers naar de afstand tussen de atomen keken, vonden ze een opvallende asymmetrie. Als een atoom iets verder van zijn buren verwijderd was dan het model in zijn trainingsdata had gezien, bleef de fout relatief klein. Maar als een atoom dichter bij zijn buren werd geduwd — gecomprimeerd — schoot de fout dramatisch omhoog. Sterker nog, voor dezelfde afstandverandering waren de krachtfouten aan de gecomprimeerde zijde 1,8 tot 1,95 keer groter dan aan de uitgerekte zijde. Dit suggereert dat de modellen de regels hebben geleerd van hoe atomen zich gedragen wanneer ze ontspannen of uit elkaar worden getrokken, maar dat ze de steile, moeilijke regels van hoe ze zich gedragen wanneer ze strak worden samengeperst, niet hebben geleerd.

Deze directionele bias is geworteld in de fysica van atomaire interacties. Wanneer atomen op elkaar worden gedrukt, stoten hun elektronwolken elkaar met enorme kracht af, wat een steile energiewand creëert. De machine learning-modellen, die in essentie wiskundige curven zijn die dit gedrag proberen te fitten, hebben moeite om de scherpte van deze wand te vatten. De studie bevestigde dit door te kijken naar de kromming van de voorspelde interactiecurven. De modellen vertoonden consequent een veel scherpere, meer gekromde respons aan de compressiezijde vergeleken met de gentlere helling aan de extensiezijde. Dit betekent dat zelfs als een model een specif kind type atoompaar eerder heeft gezien, het nog steeds kan falen als dat paar wordt samengeperst in een configuratie die het niet eerder is tegengekomen. Het probleem wordt verergerd door de chemische omgeving. De onderzoekers ontdekten dat de moeilijkheid van het voorspellen van krachten ook afhangt van de specifieke identiteit van de elementen die betrokken zijn. Bepaalde elementen, met name overgangsmetalen zoals ijzer, niobium en molybdeen, waren consequent moeilijker voor de modellen om juist te krijgen, ongeacht of ze in een eenvoudig metaal of in een complex mengsel zaten. Deze moeilijkheid is gerelateerd aan hoe de elektronen in deze atomen reageren op beweging en veranderingen in hun energieniveaus, een subtiel elektronisch gedrag dat moeilijk te vangen is met standaard wiskundige beschrijvingen.

De studie testte ook of het toevoegen van complexere wiskundige tools aan de modellen deze problemen kon oplossen. Specifiek vergeleken ze modellen die alleen naar de afstand tussen atomen keken met modellen die ook naar de hoeken keken die door groepen atomen worden gevormd. De modellen die deze hoekdetails bevatten, presteerden aanzienlijk beter en verminderden de fout voor moeilijke elementen met gemiddeld bijna 40 procent. Dit suggereert dat om de complexe, drukke wereld van multi-element materialen te begrijpen, de modellen niet alleen moeten zien hoe ver de atomen van elkaar verwijderd zijn, maar ook hoe ze ten opzichte van elkaar georiënteerd zijn. De onderzoekers concludeerden dat het simpelweg verzamelen van meer data niet de enige oplossing is. In plaats daarvan moet de data zorgvuldiger worden gekozen. Toekomstige trainingssets zouden specifiek gericht moeten zijn op deze risicovolle, gecomprimeerde omgevingen en de koppige elementen die de meeste problemen veroorzaken. Door precies te begrijpen waar en waarom deze modellen falen, kunnen wetenschappers nu betere tools bouwen die hen in staat stellen de volgende generatie geavanceerde materialen met grotere vertrouwen en precisie te ontwerpen.