Capturing long-range interaction with reciprocal space neural network
本文提出了一种倒易空间神经网络方法,通过将实空间结构信息进行转换,使机器学习原子间势能够准确捕捉长程相互作用,从而提高对全局性质的预测能力,并促进离子材料和缺陷晶体等复杂系统的大规模动力学模拟。
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
为了理解构成我们世界的材料——从计算机芯片中的硅到调料罐里的盐——科学家们经常求助于一种被称为分子动力学的强大工具。这是一种模拟原子如何随时间移动和相互作用的方法,但为了运行这些模拟,研究人员需要一张可靠的地图,告诉他们在任何给定的原子排列中存储了多少能量。几十年来,创建这些地图的金标准是一种基于量子力学定律的方法,这种方法极其精确,但计算成本过于高昂,以至于只能处理极小规模的原子群并在极短的时间内进行模拟。为了研究更大的系统或更长的时间尺度,科学家们转向了机器学习,训练计算机来学习原子位置与能量之间的关系。然而,大多数现代学习模型都基于一个简单的假设:即一个原子只关心其直接相邻的邻居。它们观察局部邻域,而忽略了远处发生的情况。这对于许多材料来说效果很好,但对于其他材料则会失效,特别是那些由带电粒子(如盐类或某些晶体)组成的材料,因为原子的吸引或排斥力可以跨越整个结构,以局部快照无法捕捉的方式影响材料的行为。
来自复旦大学和上海启智研究院的一个研究团队开发了一种新方法来修复这一盲点。他们意识到,要理解远距离原子如何相互影响,不仅需要将材料视为空间中单个点的集合,还要将其视为一种整体的波模式。在物理学中,有一种数学方法可以将晶体中的原子排列转化为另一种空间,通常称为倒易空间,这种空间天然适用于描述长距离重复的模式。研究人员构建了一种新型计算机模型,该模型获取晶体的标准图像,将其转化为这种基于波的语言,并使用神经网络来学习来自这些长程模式的能量贡献。随后,他们将这种全局视角与传统的局部视角相结合,创造了一个既能看到直接邻居又能同时看到远距离影响的混合模型。
该团队测试了这种新方法在不同材料上的表现,以观察它是否真的能提高预测能力。首先,他们研究了一个混合有机-无机钙钛矿数据集(一种用于太阳能电池的晶体类型),以预测它们的带隙(这是衡量导电性能好坏的指标)。当他们将新模型与现有方法进行比较时,包含长程波信息的混合方法最为准确,显著降低了预测误差。相比之下,他们发现仅仅添加标准的长程计算而不加入新的神经网络组件并不能提供帮助,而仅使用长程信息而不包含局部细节本身也是不够的。成功之处在于他们结合这两种视角的方式。
接下来,研究人员应对了一个更具挑战性的任务:模拟带有缺陷(即缺失部分)的晶体,在这些情况下长程力尤为关键。他们创建了一个氯化钠盐晶体模型,并引入随机抖动以模拟现实世界中的不完美情况。他们训练模型来预测这些结构的总体能量,这项任务需要考虑系统中每一个原子之间的电吸引力。结果表明,他们这种直接从数据中学习长程力的新方法比以往的模型更为准确,尤其是在晶体较大且包含缺陷时。他们还在一种名为氮化镓的高功率电子器件复杂半导体材料上进行了测试。在这种情况下,新模型不仅更准确地预测了能量,还为原子间的力提供了一个更加稳定的图景,与标准模型相比,显著降低了力预测的误差。
这种改进的关键不仅在于增加更多数据,还在于改变计算机“看待”晶体的方式。通过将原子位置转化为一种能够自然捕捉材料中重复、长距离模式的格式,该模型能够学习传统模型所遗漏的微妙且远距离的相互作用。研究人员还发现,训练模型的方式至关重要;他们发现,先教计算机理解局部环境,然后再通过第二个步骤加入长程信息,比尝试同时学习所有内容的效果要好得多。这种新方法为设计更好的材料提供了一条充满希望的路径,特别是对于那些整体行为取决于远距离原子间不可见连接的系统而言。
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。