An automated approach for developing neural network interatomic potentials with FLAME
本文提出了一种自动化的循环框架，该框架将神经网络训练与晶体结构预测相结合，以生成多样化的训练数据，并开发出在极少人工干预下仍具有可靠性的机器学习原子间势函数。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，试图理解一块金属或晶体在受热、拉伸或撞击时的行为。为了做到这一点，科学家们依赖于一张能量图谱，它告诉他们原子是如何相互推力和拉力的。这张被称为势能表面的图谱，是预测材料运动和变化的基础。几十年来，研究人员一直被困在两个艰难的选择之间。一种基于量子力学定律的方法极其精确，但速度极慢，只能模拟几百个原子在极短时间内的行为。另一种方法使用简化的规则，可以进行数十亿个原子的长时间模拟，但这些规则往往缺乏捕捉复杂化学行为所需的精度。现代材料科学的目标是弥合这一差距：创造一种既能拥有简单规则的速度，又能拥有量子定律精度的工具。
一个研究小组开发了一种新的自动化方式，用于构建这些高速、高精度的工具，这些工具被称为神经网络原子间势函数。这些工具就像一个训练有素的向导，通过学习大量的示例来掌握原子相互作用的规则。挑战一直在于如何创建一个足够好的“图书馆”，在教导向导时不会使其偏向于某一种特定的情况。如果训练数据过于狭窄，向导在面对新条件时就会失败。研究人员通过创建一个自运行系统解决了这个问题，该系统在构建训练数据的同时，也在不断提升其对材料的理解。他们将这个系统应用于两种截然不同的无机材料：二氧化钛（一种广泛应用于防晒霜到太阳能电池中的化合物）和硒化铜铟（薄膜太阳能电池的关键成分）。
这一过程始于一个计算机脚本，它仅要求输入所涉及的化学元素名称。一旦获得这个简单的输入，系统会自动连接到一个庞大的公开数据库，寻找已知的晶体结构作为起点。随后，它通过用化学性质相似的“亲戚”原子进行替换来发明新的变体，从而有效地扩展了化学景观，以包含那些在自然界中可能尚未存在的结构。为了确保训练数据覆盖广泛的可能性，系统会刻意创建这些结构的“受压”版本，即通过拉开或挤压原子使结构发生形变。接着，它会对这些多样的构型运行一系列高精度的量子力学计算，以生成正确的能量和力值。这批初始数据被用于训练第一版神经网络势函数。
这里是自动化真正发挥威力的地方。系统并不会在完成第一课后就停止，而是利用其新训练出的势函数去寻找它从未见过的、新的低能结构。它采用一种允许原子在不同排列之间跳跃的方法，通过探索能量景观来寻找隐藏的谷底和峰顶。当系统发现一个新的有趣结构时，它会暂停，并将该特定排列发送回高精度的量子力学计算器，以获取真实的能量值。这些新的、高质量的数据点随后会被添加到训练集中，并对神经网络进行重新训练。这个循环不断重复，系统从自身的发现中不断学习，精炼其预测，并寻找下一组具有挑战性的例子。整个过程以极少的人为干预运行，只有在某个步骤失败时才会暂停，届时研究人员只需从最后一个成功的点重新启动即可。
研究团队将此方法应用于以具有多种晶体形式而闻名的材料——二氧化钛。他们从几百个结构开始，通过五轮这种自动化的训练，将数据集扩展到了近 67,000 个数据点。最终得到的势函数表现出了极高的准确性。当研究人员利用它模拟材料的振动和热传导时，结果与缓慢且昂贵的量子力学计算几乎完全吻合。更令人印象深刻的是，该势函数能够预测一个未包含在原始训练数据中的二维二氧化钛薄片的能量，这表明该系统真正掌握了材料底层的规则，而不仅仅是记住了示例。
他们将实验重复应用于一种包含三种不同元素的更复杂的材料——硒化铜铟。系统再次构建了一个多样化的数据集，通过七轮训练，将数据点从几千个增加到了 32,000 多个。最终的势函数成功预测了不同晶相的稳定性以及原子在材料中移动的能垒。在模拟铜原子在晶格中跳过空位的过程中，该自动化势函数重现了量子力学的计算结果，并表现出极高的一致性，捕捉到了对太阳能电池性能至关重要的扩散事件。系统还准确地计算了破坏材料表面的所需能量，这一特性对于理解这些材料如何与环境相互作用至关重要。
这种方法的成功在于它能够生成多样化且具有代表性的训练示例，而不受人为偏见的影响。通过让计算机探索能量景观并选择最具信息量的结构，研究人员避免了仅针对最稳定或最熟悉构型进行训练的常见陷阱。其结果是一个稳健的工具，可以以极少的设置应用于各种材料。这项工作表明，要创建用于大规模模拟的可靠、具有量子精度的模型，并不需要一个庞大的专家团队来手动整理数据。相反，一个设计良好的自动化循环可以引导发现过程，确保生成的模型能够应对材料科学中复杂的现实挑战。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。