Learning Between the Lines: Interaction Interpolation in a Multi Element Machine Learning Interatomic Potential

In de wereld van materiaalkunde proberen onderzoekers voortdurend te voorspellen hoe atomen zich zullen gedragen wanneer ze samenkomen om vaste stoffen te vormen. Om dit te doen, vertrouwen ze vaak op een digitaal hulpmiddel genaamd een interatomaal potentiaal. Denk aan dit hulpmiddel als een set regels die een computer vertelt hoeveel energie wordt opgeslagen in een specifieke rangschikking van atomen en hoe sterk ze op elkaar duwen of trekken. Decennialang was de meest nauwkeurige manier om deze regels te genereren het oplossen van complexe kwantummechanische vergelijkingen voor elk afzonderlijk scenario. Hoewel deze methode precies is, is zij zo traag dat het weken kan duren om een kleine druppel vloeibaar metaal te simuleren. Om zaken te versnellen, hebben wetenschappers zich tot machine learning gewend. Deze computerprogramma's leren van een bibliotheek met vooraf berekende voorbeelden om het gedrag van nieuwe rangschikkingen bijna onmiddellijk te voorspellen. Echter, een grote hindernis blijft bestaan: meestal moet er voor elke specifieke legering of chemische mix die een wetenschapper wil bestuderen, een nieuw machine learning-model vanaf nul worden gebouwd. Dit creëert een flessenhals, aangezien het bouwen van deze op maat gemaakte modellen duur en tijdrovend is. De grote vraag is geweest of een enkel, lichtgewicht model de fundamentele regels van interactie goed genoeg kan leren om het gedrag van geheel nieuwe combinaties van elementen aan te kunnen zonder dat het vanaf de grond af aan opnieuw getraind hoeft te worden.

Een team van onderzoekers van het Los Alamos National Laboratory heeft een belangrijke stap gezet naar het beantwoorden van die vraag door een compact, algemeen bruikbaar model voor metaallegeringen te ontwikkelen. In plaats van te proberen elke mogelijke combinatie van atomen uit het hoofd te leren, leerden ze het model de basisinteracties tussen individuele atomen en paren atomen te begrijpen, en testten ze vervolgens of het op eigen kracht complexere groepen kon begrijpen. Ze concentreerden zich op twaalf verschillende metalen, waaronder aluminium, titanium, koper en wolfraam. Met behulp van een slim, stapsgewijs leerproces voedden ze het model met gegevens over enkelvoudige metalen en eenvoudige mengsels van twee metalen. Vervolgens vroegen ze het model om het gedrag van mengsels van drie en zelfs vier metalen te voorspellen die het nog nooit eerder had gezien. De resultaten waren opmerkelijk: het model, dat alleen getraind was op eenvoudige gegevens, voorspelde met hoge nauwkeurigheid het gedrag en de stabiliteit van deze complexe, multi-metalen systemen. Dit suggereğereert dat het model leerde "tussen de regels door te lezen", door te concluderen hoe drie of vier atomen interageren door het begrijpen van de eenvoudigere regels van hoe één of twee atomen interageren.

De onderzoekers bereikten dit door gebruik te maken van een methode genaamd 'active learning', wat lijkt op een student die pas om hulp vraagt wanneer hij echt vastloopt. In plaats van de computer miljoenen willekeurige voorbeelden te voeren, liet het systeem simulaties draaien, identificeerde de momenten waarop het het meest onzeker was over het antwoord, en vroeg vervolgens aan een krachtige kwantumcomputer om die specifieke moeilijke gevallen op te lossen. Deze nieuwe, hoogwaardige antwoorden werden toegevoegd aan de trainingsset, en het proces werd herhaald. Ze organiseerden dit leerproces in fasen, beginnend met enkelvoudige metalen, bewegend naar paren, en tenslotte het introduceren van triplets. In één reeks experimenten vergeleken ze een model dat getraind was op enkelvoudige en dubbele metaalgegevens met een ander model dat ook gegevens van drievoudige metalen had gezien. Verrassend genoeg presteerde het model dat de drievoudige metaalgegevens nooit had gezien net zo goed bij het testen op die complexe mengsels. De fouten bij het voorspellen van de energie van deze ongeziene drievoudige systemen waren bijna identiek aan die van het model dat er expliciet op getraind was. Dit geeft aan dat het model niet simpelweg een lijst met regels uit het hoofd heeft geleerd; het heeft de onderliggende fysica goed genoeg geleerd om te interpoleren, oftewel de gaten in te vullen, voor interacties die het nog nooit was tegengekomen.

Het succes van deze aanpak strekt zich nog verder uit. Het team testte of hun model een volledig nieuw element, goud, kon verwerken, dat niet deel uitmaakte van de oorspronkelijke twaalf metalen. Ze voorzagen het model van gegevens voor zuivere goudatomen alleen, zonder informatie over hoe goud zich met de andere metalen mengt. Wanneer ze het model testten op goud gemengd met de andere twaalf metalen, voorspelde het succesvol het gedrag van deze nieuwe legeringen. Hoewel de voorspellingen niet perfect waren, rangschikte het model de stabiliteit van verschillende goudmengsels correct en legde het de algemene trends in energie vast. Dit demonstreert dat het model een universele taal van atomaire interactie had geleerd, waardoor het zijn kennis kon overdragen naar een nieuw chemisch element met minimale aanvullende gegevens. De onderzoekers stelden vast dat het vermogen van het model om te generaliseren zo sterk was, dat het zelfs het gedrag van vier-metaallegeringen, bekend als quaternaire systemen, kon voorspellen met alleen de gegevens van enkelvoudige en dubbele metaaltraining.

De implicaties van dit werk zijn aanzienlijk voor de toekomst van materiaalkunde. Momenteel vereist het creëren van een betrouwbaar model voor een nieuwe legering vaak het genereren van enorme hoeveelheden dure gegevens, wat de snelheid waarmee wetenschappers nieuwe materialen ontdekken, beperkt. Deze studie suggereert dat een veel kleinere, zorgvuldiger gekozen dataset voldoende zou kunnen zijn. Door de focus te leggen op de diversiteit van de gegevens in plaats van alleen op het volume, en door ervoor te zorgen dat het model de fundamentele interacties tussen individuele atomen en paren leert, kunnen wetenschappers lichtgewicht modellen bouwen die zowel snel als breed toepasbaar zijn. De onderzoekers merkten op dat hoewel hun model zeer accuraat was voor veel scenario's, het enigszins moeite had met specifieke combinaties waarbij vanadium betrokken was, wat benadrukt dat de aanpak weliswaar krachtig is, maar nog geen perfecte oplossing is voor elke mogelijke chemische mix. Desalniettemin bieden de bevindingen een praktisch pad voorwaarts. Ze suggereren dat we geen massieve, onhandelbare databases nodig hebben om complexe materialen te begrijpen. In plaats daarvan kunnen we, door machines de basisgrammatica van atomaire interacties te leren, hen in staat stellen om de verhalen van complexe legeringen zelf te schrijven, wat de ontdekking van nieuwe metalen en legeringen versnelt voor alles van lucht- en ruimtevaarttechniek tot energieopslag.