Data-Efficient Training of Linear ACE Potentials through Leverage-Guided Subset Selection of ASSYST Structure Pools

Resumo Técnico: Treinamento de Eficiência de Dados para Potenciais ACE Lineares através de Seleção de Subconjuntos Guiada por Alavancagem

Definição do Problema
O desenvolvimento de potenciais interatômicos aprendidos por máquina (MLIPs), particularmente aqueles baseados na Expansão de Cluster Atômico (ACE), é frequentemente limitado pelo alto custo computacional de gerar grandes conjuntos de dados de treinamento via Teoria do Funcional da Densidade (DFT). Embora frameworks como o Automated Small SYmmetric Structure Training (ASSYST) possam gerar sistematicamente pools diversos de estruturas candidatas (frequentemente dezenas de milhares), a questão de quantas configurações devem ser rotuladas com cálculos caros de DFT para atingir uma precisão confiável permanece não resolvida. Estratégias existentes de eficiência de dados dependem frequentemente de aprendizado ativo (exigindo retreinamento repetido) ou heurísticas baseadas em rótulos (exigindo rótulos de DFT para classificar candidatos), que não reduzem fundamentalmente o custo inicial de rotulagem. Além disso, estudos anteriores sobre seleção de dados não investigaram profundamente se a redução do tamanho do conjunto de treinamento compromete a transferibilidade dos potenciais resultantes para regimes fisicamente distintos, como energias de defeitos ou sistemas de ligas.

Metodologia
Os autores propõem uma estratégia de seleção de subconjuntos baseada em geometria e livre de rótulos para o treinamento de potenciais ACE lineares. A metodologia central baseia-se em índices de alavancagem estatística derivados da matriz de design do ACE, que quantificam a influência de configurações específicas no ajuste de regressão sem a necessidade de acesso a rótulos de mecânica quântica (energias ou forças).

1. Geração de Dados: O estudo utiliza pools de estruturas pré-geradas pelo ASSYST para Alumínio (Al) elemental, Cobre (Cu) e ligas de Al–Cu. Esses pools contêm pequenas células periódicas (8–10 átomos) geradas através da amostragem de protótipos cristalinos aleatórios, relaxadas e sujeitas a perturbações controladas.
2. Arquitetura do Modelo: São empregados modelos ACE lineares, onde a energia do sítio é expressa como uma combinação linear de funções de base adaptadas à simetria. O problema de ajuste é formulado como uma regressão linear Bayesiana com regularização de Tikhonov.
3. Seleção Baseada em Alavancagem:
   • Scores de Configuração: Em vez de selecionar observáveis individuais (ex: um único componente de força), os autores agregam índices de alavancagem ao nível da linha em uma métrica de nível de configuração ($L_R$). Este score depende exclusivamente da geometria da matriz de design ponderada e do prior de regularização.
   • Estratégias de Amostragem: Dois modos de subamostragem do tipo CUR são implementados:
     • Energy-CUR: Seleciona configurações baseadas em índices de alavancagem derivados de uma matriz de características apenas de energia.
     • Block-CUR: Seleciona configurações baseadas em índices de alavancagem derivados do bloco completo de dados de energia e força, tratando cada configuração como um bloco correlacionado de linhas.
   • Baselines: Os métodos guiados por alavancagem são comparados contra amostragem aleatória, seleção baseada em energia (classificação por resíduos de energia DFT) e seleção baseada em força (classificação por resíduos de força DFT).
4. Protocolo de Validação: Utiliza-se um protocolo iterativo onde os conjuntos de treinamento são inicializados com 10% do pool e expandidos. O desempenho é avaliado em conjuntos de teste retidos e conjuntos de validação DFT independentes, compreendendo estruturas de bulk, superfícies, contornos de grão e defeitos.

Principidades Contribuições

• Eficiência Livre de Rótulos: O artigo demonstra que os índices de alavancagem podem ser computados antes de qualquer rotulagem de DFT ocorrer, permitindo um fluxo de trabalho de "filtrar-então-rotular" que evita o custo computacional de rotular todo o pool de candidatos.
• Preservação da Transferibilidade: Ao contrário de alguns estudos anteriores de seleção de dados que focaram apenas em métricas de ajuste, este trabalho valida explicitamente se conjuntos de treinamento reduzidos mantêm a precisão em propriedades fora da distribuição, especificamente energias de defeitos (vacâncias, contornos de grão) e energias de formação de ligas.
• Comparação Sistemática: O estudo fornece uma comparação controlada de estratégias de seleção através de sistemas elementares e de ligas usando uma arquitetura ACE fixa, isolando o impacto da estratégia de seleção do ajuste de hiperparâmetros.

Resultos

• Eficiência de Dados: Para Al e Cu elementares, os subconjuntos guiados por alavancagem (especificamente o block-CUR) alcançam uma precisão de energia e força de nível de platô usando apenas 30–40% das configurações rotuladas necessárias para a amostragem aleatória. Isso corresponde a uma redução efetiva de 2–3× nos custos de rotulagem de DFT.
• Comportamento de Convergência: Métios guiados por alavancagem exibem curvas de aprendizado mais suaves e reprodutíveis, com menor variabilidade entre execuções, em comparação com a seleção aleatória ou baseada em força. O Block-CUR consistentemente produz os menores erros de força, atingindo a saturação mais rapidamente do que os baselines de energia ou heurísticos.
• Desempenho de Defeitos e Ligas:
  • No Cu, a seleção baseada em alavancagem supera significativamente os baselines na previsão de energias de formação de vacância e energias de contorno de grão, reduzindo os erros de ~0,25 eV (baselines) para ~0,04 eV.
  • Em ligas de Al–Cu, embora todas as estratégias performem de forma semelhante para intermetálicos ordenados uma vez que a diversidade química é suficiente, a seleção guiada por alavancagem (especificamente CUR a 25% de dados) alcança precisão superior no regime diluído (Cu em Al), reduzindo significativamente os erros de formação de vacância em comparação com modelos de 50% de baseline.
• Validação Independente: A validação contra conjuntos de teste DFT independentes (não utilizados no treinamento ou seleção) confirma que os conjuntos de dados reduzidos não degradam a fidelidade preditiva para estruturas de bulk, superfície e defeitos.

Significância e Alegações
Os autores alegam que a subamostragem livre de rótulos e guiada pelo espaço de descritores é uma estratégia prática e estatisticamente fundamentada para reduzir a carga de trabalho de DFT no desenvolvimento de potenciais ACE lineares. O artigo argumenta que:

1. Eficiência de dados e transferibilidade não são mutuamente exclusivas: Potenciais de alta qualidade e transferíveis podem ser treinados em subconjuntos substancialmente menores se a seleção for guiada pela estrutura geométrica do espaço do descritor, em vez de resíduos escalares.
2. A geometria impulsiona a seleção: Ao priorizar configurações que abrangem o espaço do descritor (alta alavancagem), o método captura efetivamente ambientes de simetria quebrada e baixa coordenação (críticos para defeitos) que são frequentemente amostrados de forma esparsa por métodos aleatórios ou baseados em resíduos.
3. Otimização de Fluxo de Trabalho: A abordagem permite uma mudança de "rotular-então-filtrar" para "filtrar-então-rotular", alterando fundamentalmente a estrutura de custo do desenvolvimento de MLIPs ao eliminar a necessidade de computar rótulos de DFT para a vasta maioria das estruturas candidatas geradas.

O artigo conclui que, embora o método seja demonstrado em modelos ACE lineares, o princípio da seleção de subconjuntos guiada pela geometria oferece um caminho geral para melhorar a eficiência de dados em MLIPs treinados em pools de estruturas gerados sistematicamente.