🔬 materials science

Efficient Grand Canonical Global Optimization with On-the-fly-trained Machine-learning Interatomic Potentials

本文提出了一种高效的大正则系综全局优化算法，该算法利用即时训练的机器学习原子间势函数和从头算热力学，在显著降低第一性原理计算计算成本的同时，预测反应环境下纳米结构材料的稳定结构与化学状态。

原作者： Jon Eunan Quinlivan Dominguez, Mads-Peter Verner Christiansen, Konstantin M. Neyman, Bøjrk Hammer, Albert Bruix

发布于 2026-06-30

📖 1 分钟阅读☕ 轻松阅读

原作者： Jon Eunan Quinlivan Dominguez, Mads-Peter Verner Christiansen, Konstantin M. Neyman, Bøjrk Hammer, Albert Bruix

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，你正在为一场派对寻找完美的穿搭，但这个“完美”取决于外面的天气。如果是晴天，你想穿短裤；如果下雨，你需要穿外套。但问题在于：你并不知道具体的天气会如何，而且你有数百万种可能的服装组合（衬衫、裤子、帽子、鞋子）可以尝试。

在化学领域，科学家们面临着类似的问题，即研究纳米材料（用于汽车排气过滤器或燃料电池等微小材料）。他们需要弄清楚这些微小颗粒在特定条件下（如高温或高压）最稳定的形状和化学组成。

这篇论文介绍了一种全新的、超级智能的计算机程序，旨在比以往更快地解决这个“寻找穿搭”的问题。以下是它的工作原理，通过简单的概念进行拆解：

1. 问题所在：大海捞针

传统上，为了找到最佳结构，科学家必须逐一检查每一种可能的原子组合。

旧方法： 想象一下，如果你要通过逐一测试每一件衬衫、每一条裤子，然后再测试每一顶帽子来寻找最佳穿搭。如果你想看看增加一件围巾（一个额外的原子）会对穿搭产生什么影响，你必须重新开始整个过程。这需要消耗大量的计算能力和时间。
挑战： 可能性的数量如此之大，以至于就像在蒙着眼睛的情况下，试图在沙滩上找到一颗特定的沙粒一样。

2. 解决方案：一个“聪明猜测”的助手

作者创建了一种名为**巨正则全局优化（Grand Canonical Global Optimization, GCGO）**的新算法。你可以把这个算法看作一个非常聪明的助手，他不会尝试每一套衣服。相反，他使用一个“智能猜测器”（机器学习模型）来预测哪些穿搭好看，而无需实际穿上它们。

“智能猜测器”（机器学习）： 这是一个基于少量示例训练过的计算机程序。一旦它看到了一些穿搭，它就能非常擅长于在不进行物理测试的情况下，猜测一套新穿搭是否舒适或稳定。
边做边学： 最棒的部分是，这个助手在工作时也在学习。每当计算机实际测试一套有潜力的穿搭时（使用昂贵、高精度的计算），助手就会从中学习，从而让下一次的猜测变得更加准确。

3. “巨正则”的转折点：改变规则

大多数旧方法强迫计算机选择一个特定的原子数量（固定的“服装尺寸”）并寻找最佳形状。如果你想看看增加或减少一个原子会发生什么，你必须运行一个全新的搜索过程。

新的 GCGO 方法不同。它允许“服装”在搜索过程中改变大小。

隐喻： 想象你在寻找最佳穿搭，但天气正在变化。旧方法会说：“好吧，让我们找一套适合 70 华氏度天气的最佳穿搭，”然后就停止了。如果气温降到了 50 度，你必须重新开始。
新方法： GCGO 算法会说：“让我们寻找现在的最佳穿搭，如果天气变化了，我们会立即加一件夹克或摘掉一顶帽子，并继续搜索。”它同时搜索最佳形状和最佳原子数量。

4. 他们是如何测试的

团队在三种不同的场景下测试了这个新的“智能助手”，以证明其有效性：

漂浮团簇： 在太空中漂浮的铱（Iridium）和氧（Oxygen）微小团簇。
负载团簇： 位于氧化铈表面上的微小铂（Platinum）团簇（类似于汽车催化剂）。
表面层： 与氧反应的钯（Palladium）金属平整薄层。

在这三种情况下，新算法都比旧方法更快地找到了最稳定的结构。它能够在单次运行中找到“全局最小值”（绝对最佳、最稳定的状态），同时还能发现附近的其它稳定状态。

5. 结果：更快、更聪明

该论文声称，这种新方法：

更高效： 它需要更少的昂贵计算机计算量来找到答案。
更灵活： 它可以处理变化的环境条件（如温度和压力）以及变化的化学组成（添加或移除原子）。
更准确： 它成功复现了以往研究的结果，并且在某些情况下甚至发现了比已知结构更优（更稳定）的结构。

简而言之： 作者构建了一个计算机程序，它就像一位边做边学习的资深时尚造型师。它不会尝试世界上所有的穿搭，而是利用智能预测，快速锁定任何天气条件下的完美造型，从而节省了大量的精力和时间。

技术摘要：利用在线训练机器学习原子间势实现高效的大正则系综全局优化

问题陈述
在反应性环境中表征纳米结构材料受到复杂结构基元及其化学转化的阻碍。虽然全局优化（GO）方法可以预测稳定结构，但当依赖于第一性原理计算时，同时处理构型空间和成分空间在计算上是难以承受的。传统方法通常一次仅优化单一化学计量比，这需要为每种可能的化学状态（例如变化的氧含量）进行单独的搜索。这种扩展方式效率低下，因为所需化学计量比的数量会随着组成元素的增加而呈指数级增长。此外，许多被评估的化学计量比是不稳定且与目标反应条件无关的，这浪费了计算资源。

方法论
作者在 AGOX（Atomistic Global Optimization X）Python 库中实现了一种 大正则系综全局优化（GCGO） 算法。该方法将 在线训练的机器学习原子间势（MLIPs） 与 从头算热力学 框架相结合，以同时探索结构空间和成分空间。

关键方法论组件包括：

代理模型： 该算法利用基于 原子位置平滑重叠（SOAP） 描述符的 稀疏高斯过程回归（GPR） 模型。这种局部 GPR 模型在搜索过程中进行在线训练。它是“尺寸可扩展的”，这意味着它可以通过将总能量分解为原子贡献，来预测具有不同原子数量（不同化学计量比）的结构的能量。
热力学框架： 算法评估的不是单纯的势能，而是每个候选结构的 吉布斯生成自由能 ( $\Delta G_c$ )。其计算采用从头算热力学近似法：
$\Delta G_c = E_c - E_r - \sum_{v} \Delta n_v (E_v + \Delta \mu_v)$
其中 $E$ 代表 0 K 下的势能， $\Delta n_v$ 是原子数量的变化， $\Delta \mu_v$ 考虑了化学势随温度和压力变化的因素（例如 $O_2$ 气体）。为了保持计算效率，忽略了候选结构的热贡献，作者通过验证指出这一简化可以产生定性的正确相图。
主动学习循环： 算法遵循一个迭代循环：
1. 生成： 通过随机化、晶格扰动或通过从种子结构中添加/移除原子（添加/移除生成器）来生成新候选结构。
2. 选择： 采样器（Sampler） 模块根据吉布斯生成自由能选择种子。文中引入了两种特定的采样器：一种是标准的吉布斯能量采样器，另一种是 K-Means 吉布斯能量采样器，后者通过结构相似性（SOAP）对候选进行聚类，以确保探索的多样性。
3. 弛豫与评估： 新候选结构使用 MLIP 进行弛豫。采集器（Acquisitor） 模块根据采集函数选择进行高水平从头算评估的候选结构： $F = \Delta G^M_c - \kappa\sigma$ 。该函数平衡了预测稳定性 ( $\Delta G^M_c$ ) 与模型不确定性 ( $\sigma$ )，倾向于选择那些预测稳定但在结构上与训练集有显著差异的候选。
4. 训练： 被选中的候选结构在目标理论水平（DFT 或高保真 MLIP）下进行评估，并添加到训练集中以更新 GPR 模型。

主要贡献

算法实现： 开发了一种能够同时处理多种化学计量比的 GCGO 算法，克服了固定化学计量比 GO 方法的局限性。
通过在线训练实现高效性： 证明了在搜索过程中动态训练的基于 GPR 的 MLIPs，与传统方法相比，显著减少了寻找全局极小值所需的昂贵第一性原理评估次数。
尺寸可扩展建模： 成功应用了适用于不同成分系统的 SOAP-GPR 模型，实现了直接比较不同化学状态下的吉布斯能量，而无需为每种化学计量比重新训练单独的模型。
不确定性引导探索： 将 GPR 衍生的不确定性估计集成到采集函数中，以引导搜索向未探索的势能面区域进行。

结果
该算法在三个具有不同复杂度和目标理论水平的系统中进行了测试：

自由悬浮 $Ir_3O_x$ 团簇： 使用 MACE MLIP 作为目标理论，GCGO 算法成功识别了各种氧化学势 ( $\Delta \mu_O$ ) 下的全局极小值。其累积成功率与单化学计量比搜索相当，在某些情况下甚至有所超越。值得注意的是，单次 GCGO 运行即可识别多种化学计量比（例如 $Ir_3$ , $Ir_3O_2$ 到 $Ir_3O_9$ ）的全局极小值，而单化学计量比运行只能找到其特定成分的极小值。
$CeO_2(111)$ 上的 $Pt_3O_x$ ： 使用 DFT 作为目标理论，该方法重现并改进了先前的文献结果。GCGO 运行找到的 $Pt_3O_6$ 和 $Pt_4O_4$ 全局极小值，分别比之前的单化学计量比 GOFEE 研究结果更稳定 0.70 eV 和 0.56 eV。该算法高效地导航了相图，以比执行独立的单化学计量比搜索更少的总 DFT 评估次数，识别出了不同 $\Delta \mu_O$ 值下的稳定状态。
**$Pd(100) $表面：** 算法成功识别了表面重构，包括从原始金属表面到氧装饰态，最后到氧化物表面相（$ Pd_4O_4$）的转变。所得相图与先前的实验和理论发现吻合良好。

意义与主张
论文声称 GCGO 算法是表征反应条件下固体催化剂的极具前景的替代方案。其主要意义在于其能够：

比独立探索化学计量比的常规方法更高效地识别稳定结构和化学状态。
在单次计算运行中揭示相图内超出即时目标条件的区域。
为研究未知稳定相的复杂纳米材料提供实用的框架。

作者谦虚地指出，虽然该算法非常高效，但由于忽略了候选结构的吉布斯能量中的振动贡献，因此它并非正式的 operando 方法。然而，他们断言这种简化可以产生可靠的相边界，并且当单个化学计量比在目标条件下明显比其他化学计量比更稳定时，该方法特别有效。这项工作通过减少第一性原理评估的计算瓶颈，为解决更大型、更复杂的纳米材料在反应环境中的问题铺平了道路。