XtalOpt Version 14: Variable-Composition Crystal Structure Search for Functional Materials Through Pareto Optimization

本文介绍了 XtalOpt 第 14 版，这是一种增强型进化多目标算法，它利用帕累托优化并整合了多种计算势能，以高效预测功能材料具有可变组分的基态晶体结构。

要点

想象一下，你是一位想要发现完美新食谱的大厨。你想找到一份不仅美味（稳定），而且具有特定品质（功能特性，如低热量或高蛋白）的极致佳肴。

这篇论文介绍了 XtalOpt 第 14 版，这是一个复杂的计算机程序，扮演着超级大厨助手的角色。它的任务是自动发明、测试并改进数百万个潜在的晶体“食谱”（由原子构成的结构），以寻找最优秀的那些。

以下是通过简单的类比对这个新版本的工作原理进行的解释：

1. 重大升级：使用可变配料进行烹饪

在过去，这个程序就像一位只能用固定分量食材烹饪特定菜肴的大厨（例如，必须正好是 2 个鸡蛋和 1 杯面粉）。如果你想看看用 3 个鸡蛋会发生什么，你必须重新开始一次全新的搜索。

第 14 版则不同。它现在可以进行可变配料的烹饪。它可以混合搭配不同数量的元素（比如将 2 个鸡蛋换成 3 个，或者将 1 杯面粉换成 2 杯），以观察哪种组合能做出最棒的菜肴。它不仅仅是在寻找完美的“2 蛋蛋糕”；它是在探索整个储藏室，以寻找最好的蛋糕，无论其配料比例具体是多少。

2. “帕累托”策略：寻找最佳折衷方案

在寻找新材料时，目标往往是相互冲突的。你可能既想要一种材料非常坚硬，又想要它非常轻盈。通常情况下，增加硬度会使重量增加。

新版本使用了一种称为**帕累托优化（Pareto Optimization）**的策略。想象一下你在买车。你希望车子既快、又便宜、还安全。

• 旧方法： 你尝试将这些指标合并为一个单一的“评分”（例如，速度 + 成本 + 安全性 = 100 分）。这通常会导致你选出一辆各方面都平庸的“中庸之车”，无法在任何一项上表现出色。
• 新方法（帕累托）： 程序会找到一系列“同类最佳”的汽车，在这些汽车中，你无法在不损害另一项性能的前提下提升某项性能。它为你提供一份顶尖选择菜单：“这是最快的车”、“这是最便宜的车”以及“这是最安全的车”。这有助于科学家看到所有最佳的权衡方案，而不需要被迫做一个武断的单一选择。

3. 遗传厨房：混合与搭配食谱

该程序使用一种“进化”方法，类似于自然界中物种的进化。它从随机的晶体结构群体开始，并尝试“繁衍”出最优秀的个体。

• 交叉（混合）： 它提取两个亲本结构并将其切开进行混合，就像拼接两条 DNA 链一样。新版本现在可以在多个位置进行切割（比如像把一条面包切成许多片然后交换它们），从而创造出更多样化的后代。
• 新的突变（“Permutomic”和“Permucomp”大厨）：
  • Permutomic： 这位大厨会随机添加或移除单个成分（一个原子），以观察味道是否会因此提升。
  • Permucomp： 这位大厨会完全改变食谱的成分列表（组成），以尝试全新的尝试。
  • 注： 只有当程序被允许改变成分比例（可变组成）时，这些“新大厨”才会发挥作用。

4. 使用“AI 味蕾”（机器学习）

传统上，测试一个晶体结构是否稳定需要运行极其缓慢且沉重的物理模拟（就像用一个巨大且缓慢的烤箱去烘烤每一块蛋糕）。

XtalOpt 14 现在配备了一个特殊的接口脚本，让程序可以使用机器学习势函数（Machine Learning Potentials）。这相当于给大厨配备了“AI 味蕾”。大厨不再需要通过真实的烤箱来烘焙每一块蛋糕，AI 可以根据食材瞬间预测蛋糕的味道是否好。这使得程序测试食谱的速度大幅提升，以前测试几个食谱所需的时间，现在可以测试成千上万个。

5. 保持厨房整洁（相似性检查）

在海量的搜索中，程序可能会不小心创建出完全相同的食谱，或者两个几乎一模一样的食谱（比如一个只是稍微旋转了一下角度的蛋糕）。

新版本拥有更好的相似性检查功能。它不仅观察成分列表，还会观察蛋糕的“形状”。如果两个结构过于相似（比如双胞胎），程序会标记它们，以免浪费时间进行重复测试。它使用一种数学“指纹”（称为径向分布函数）来判断两个结构是否真正不同。

6. “凸包”地图

为了知道一个食谱是否是“赢家”，程序会根据一张名为**凸包（Convex Hull）**的地图来检查其能量。

• 想象一张地图，其中的最低点代表最稳定、最完美的晶体。
• 程序会计算一个新结构距离这个“最低点”有多远。如果它非常接近底部，那么它就是一个稳定的、有前景的材料。如果它处于山坡的高处，则说明它是不稳定的，容易崩塌。

总结

XtalOpt 第 14 版是一个强大的开源工具，旨在帮助科学家发现新材料。它比以前更快、更聪明，因为它：

1. 可以混合搭配不同的成分比例（可变组成）。
2. 能在不同目标之间找到最佳的权衡（帕累托优化）。
3. 利用 AI 加速测试过程（机器学习势函数）。
4. 拥有更好的工具来避免重复劳动（相似性检查）。

它旨在帮助研究人员高效地寻找下一代功能材料（从更好的电池到更强的金属）的“完美食谱”。

技术摘要

技术摘要：XtalOpt 第 14 版

问题陈述
发现新型功能材料需要高效地在广阔的化学与结构空间中导航复杂的势能面（PES）。传统的晶体结构预测（CSP）方法通常依赖于固定组分的搜索或单目标全局优化，这可能会限制对具有可变化学计量比或特定目标属性的（亚）稳相的发现。虽然机器学习（ML）原子间势能和通用原子间势能（UIPs）提供了高通量能力，但现有的进化算法往往缺乏针对可变组分（VC）搜索以及利用帕累托优化（Pareto optimization）的多目标全局优化（MOGO）的原生集成。此外，如何在保持结构多样性的同时管理探索多样化组分的计算成本，并避免重复评估，也是一项挑战。

方法论
XtalOpt 第 14 版对其进化多目标全局优化框架进行了全面更新，专门用于处理可变组分搜索。核心工作流程包括根据用户定义的化学式生成初始结构群体，进行局部结构弛豫，并迭代应用遗传操作以演化该群体。

关键方法组成部分包括：

• 可变组分（VC）搜索： 该算法现在原生支持跨组分空间进行搜索。用户通过 chemicalFormulas 输入定义化学系统，该输入可以指定固定组分、组分范围（多组分）或完整的可变组分搜索。
• 帕累托优化： 为了解决多目标问题（例如，在最小化能量的同时最大化特定属性），代码实现了 NSGA-II 算法。这取代或补充了之前的标量适应度函数。亲本选择是通过基于非支配排序（帕累托秩）和拥挤距离的二元锦标赛选择进行的，从而确保了帕累托前沿沿线解的多样性。
• 增强型遗传操作：
  • 多切点交叉（Multi-cut Crossover）： 允许在亲本单胞的多个点进行切割，以生成具有混合原子排列的后代。
  • Permutomic： 一种 VC 特有的操作，通过随机添加或移除亲本结构中的单个原子来探索化学计量比的变化。
  • Permucomp： 一种 VC 特有的操作，通过扭曲亲本晶格并用新原子进行装饰，生成具有随机组分和总原子数（最高不超过用户定义的限制）的新结构。
  • 随机超胞扩张（Random Supercell Expansion）： 一种二次突变，将结构扩展为超胞并位移随机原子，有助于探索电荷密度波。
• 凸包与参考能量： 结构的能量适应度由其相对于凸包的高度决定。代码使用 Qhull 库进行计算，要求用户定义元素及相关子系统的参考能量，以确保在 MC 和 VC 搜索中构建准确的凸包。
• ML 与 UIP 集成： 该版本包含一个 Python 封装脚本 (vasp_uip.py)，旨在通过原子模拟环境（ASE）利用现代 UIPs（如 MACE、CHGNet、Orb、MatterSim）实现局部结构弛豫。这使得快速筛选数千个结构成为可能，随后可进行高精度的 DFT 计算。
• 相似性与重复检查： 代码提供两种识别重复项的模式：精确匹配方案（XtalComp）以及一种基于径向分布函数（RDF）的新型近似方法，用于检测相似结构，这对于分子系统或轻微旋转差异的情况特别有用。

主要贡献

1. 原生 VC-MO 搜索： 实现了与帕累托优化集成的可变组分搜索，能够同时探索组分空间和多种材料属性。
2. 新遗传算子： 引入了专门为在多元素、可变组分搜索中使群体多样化而设计的 permutomic 和 permucomp 操作。
3. 帕累托前沿实现： 集成了 NSGA-II 算法用于亲本选择，为多目标问题提供了鲁棒的标量适应度函数替代方案。
4. UIP 接口： 提供了易于使用的脚本，使 XtalOpt 能与通用原子间势能进行交互，显著降低了高通量搜索中结构弛豫的计算成本。
5. 精炼的输入/输出与控制： 更新了输入标志约定（例如，用 chemicalFormulas 取代 empiricalFormula）、基于共价半径的新体积约束，以及增强的输出文件（例如，hull.txt、movie 快照）以监测凸包演化。

结果与性能
在 Ti-O 系统上的基准测试表明，与不含这些算子的搜索相比，加入 permutomic 和 permucomp 操作使 VC 搜索产生的唯一化学组分数量增加了 30% 或更多。计算分析表明，虽然 XtalOpt 本身消耗了极小部分的 CPU 时间（例如，对于 100 个结构约为 35%，随着结构数量增加，由于外部局部优化任务的主导地位，该比例会下降），但亲本选择过程（特别是非支配排序）是内部计算需求最高的任务，消耗了约 7% 的代码 CPU 时间。使用快速 UIP 进行弛豫使得 XtalOpt 内部任务的开销相对于总运行时间可以忽略不计。

意义
作者指出，XtalOpt 第 14 版为具有可变组分和所需目标属性的晶体相的高效基态搜索铺平了道路。通过将帕累托优化和可变组分能力与现代机器学习势能相结合，该代码促进了对化学系统的高通量探索，以预测新型（亚）稳相。这项工作强调，这些发展结合了错误修复和工作流改进，使研究人员能够系统地在复杂的组分空间中搜索功能材料，而这些空间在以前是计算上难以承受或在方法论上难以驾驭的。论文指出，该软件完全开源，可通过官方网站和 Computer Physics Communications Library 获取。