Expanding Universal Machine Learning Interatomic Potentials to 97 Elements Towards Nuclear Applications

本文通过构建包含次锕系元素的新数据集 HE26，成功开发了覆盖 97 种元素的开源通用机器学习原子势模型，填补了核能领域重元素模拟的空白并推动了新型核材料的设计。

要点

这篇论文讲述了一个关于**“给原子世界绘制超级地图”**的故事。

想象一下，如果你要设计一种全新的核能燃料，或者制造一种能在太空极端环境下工作的材料，你需要知道这些材料内部的原子是如何相互作用、如何运动的。

过去，科学家主要靠两种方法：

1. 做实验：但这非常危险且昂贵。因为涉及到的元素（如镅、锔等“超铀元素”）具有极强的放射性和毒性，就像在充满辐射的雷区里做实验，很难测量它们的热导率或膨胀系数。
2. 超级计算机模拟：这就像用显微镜看每一个原子，虽然精准，但计算量大到令人发指。算一个复杂的核燃料分子，可能需要超级计算机跑好几年，根本来不及。

这篇论文做了什么？

作者团队（来自大阪大学等机构）开发了一个**“万能原子模拟器”**，名叫 MACE-Osaka26。

1. 填补了“元素周期表的盲区”

以前的“万能模拟器”就像一本只有 89 个元素的化学词典，涵盖了大部分常见元素，但缺了最后几个最重、最危险的“重金属”（如镅、锔、锎等）。这就好比你想做一道包含所有食材的顶级大餐，但食谱里偏偏少了最关键的几种香料。

为了解决这个问题，作者们专门收集并计算了这些缺失元素的“性格数据”，建立了一个名为 HE26 的新数据库。他们把这些新数据像拼图一样，和现有的分子、晶体数据拼在一起，终于凑齐了97 种元素的完整图谱。这是目前世界上覆盖元素最广的原子模拟器。

2. 它是如何工作的？（创意比喻）

• 以前的方法（DFT）：就像**“手工作坊”**。每次计算一个原子的行为，都要从头开始，像工匠一样精雕细琢。虽然做出来的东西（结果）非常精准，但速度太慢，一天只能做几个零件。
• 新的方法（MLIP，机器学习势函数）：就像**“超级 AI 厨师”**。
  • 作者先让这位 AI 厨师看了几百万张“菜谱”（训练数据），包括常见的食材（普通元素）和以前没见过的珍稀食材（重金属）。
  • 一旦 AI 学会了这些食材的“脾气”（相互作用规律），它就能在几秒钟内预测出任何新组合的味道（能量和受力情况）。
  • 速度提升：它比传统方法快几十万倍，但准确度却几乎和手工精雕细琢一样高。

3. 这个新工具有什么用？

• 预测核废料的处理：它可以模拟含有微量锕系元素的混合氧化物燃料，帮助科学家设计更安全、更耐用的核燃料。
• 设计太空电池：比如用氧化镅（Am）做的放射性同位素热电发电机，这是未来深空探测（如火星任务）的关键能源。以前很难算出它的热性能，现在用这个模型就能快速筛选最佳配方。
• 发现新材料：它可以像“试衣间”一样，快速尝试成千上万种元素组合，找出那些具有特殊性能（如高熵陶瓷）的新材料，而无需在实验室里反复试错。

4. 核心突破点

• 看得更远：以前的模型“视力”有限，只能看到原子周围很近的地方（4.5 埃）。新模型把“视力”范围扩大到了 6.0 埃，就像戴上了广角镜，能看清更远处的原子如何拉扯，这对理解重金属的复杂结构至关重要。
• 不仅准，而且稳：在测试中，这个模型不仅算得准，而且在预测核燃料的热传导性能时，没有出现任何“幻觉”（虚频），证明它真正理解了物理规律。

总结

简单来说，这篇论文就是给核科学和材料科学装上了一个“超级加速器”。

以前，科学家在面对那些危险、昂贵、难以测量的重金属元素时，往往只能“盲人摸象”。现在，有了这个覆盖 97 种元素的MACE-Osaka26模型，他们就像拥有了上帝视角的导航仪，可以快速、安全、低成本地探索核能未来和极端环境材料的新大陆。

这不仅是一个科学模型的升级，更是通往更安全核能和更先进太空材料的一把金钥匙。

技术摘要

这是一篇关于将通用机器学习原子间势（Universal Machine Learning Interatomic Potentials, MLIPs）扩展至 97 种元素，特别是针对核能应用中的重元素（如次锕系元素）的学术论文。以下是对该论文的详细技术总结：

1. 研究背景与问题 (Problem)

• 核能领域的挑战： 次锕系元素（Minor Actinides, 如 Am, Cm, Cf 等）不仅是核废料，也是核燃料循环可持续性和先进应用（如太空同位素热电发生器、高熵陶瓷）的关键资源。然而，由于这些元素具有极强的放射性和毒性，实验测量其热物理性质（如晶格热导率、热膨胀系数、粘度）极其困难且昂贵，导致大量相关化合物的性质未被探索。
• 计算方法的局限：
  • 第一性原理计算 (DFT)： 虽然准确，但对于多组分系统（如混合氧化物燃料），由于对称性降低需要巨大的超胞，且高阶非谐力常数所需的原子位移构型数量急剧增加，计算成本过高，难以应用于大规模筛选。
  • 现有 MLIP 的不足： 现有的通用 MLIP（如 MACE-MP-0 等）通常仅覆盖 89 种元素，缺乏对重元素（特别是锕系后元素）的覆盖。这主要是因为现有的大规模第一性原理数据集中缺乏这些元素的训练数据。
• 核心问题： 如何构建一个能够覆盖包括次锕系元素在内的 97 种元素的通用 MLIP，以低成本、高精度地预测核材料的热物理性质？

2. 方法论 (Methodology)

• 构建 HE26 数据集：
  • 作者构建了一个名为 HE26 (Heavy Element 2026) 的新数据集，专门针对 8 种在现有大规模数据集中罕见或缺失的重元素：Am, Cm, Cf, Fr, At, Ra, Po, Rn。
  • HE26 包含三个子集，涵盖从简单到复杂的化学空间：
    1. BHE (Basic Heavy Element)： 8 种重元素的单质固体及二元氧化物。
    2. CHE (Complex Heavy Element)： 多样化的多组分系统（136 种结构，涵盖 64 种元素类型）。
    3. CCFO (Compositionally Complex Fluorite Oxides)： 从二元到五元的锕系 - 镧系 - 稀土氟化物固溶体，旨在模拟高熵陶瓷和混合氧化物燃料。
  • 数据生成基于 VASP 进行 DFT 计算，采用 PBE 泛函（部分含 DFT+U），并仔细筛选了磁性构型以确保电子结构收敛。
• 数据整合与对齐：
  • 将 HE26 与现有的分子数据集 OFF23 和晶体数据集 MPtrj 进行整合。
  • 采用 总能量对齐 (Total Energy Alignment, TEA) 协议，统一不同数据集的能量基准，消除系统误差。
• 模型训练 (MACE-Osaka26)：
  • 基于整合后的 97 元素通用数据集，训练了开源的通用 MLIP 模型 MACE-Osaka26。
  • 架构改进： 与之前的 MACE-Osaka24 相比，关键改进是将图截断半径（graph cutoff radius）从 4.5 Å 增加到 6.0 Å。这一改变对于准确描述重元素（特别是体心立方 BCC 结构）的长程相互作用至关重要。
  • 模型使用了 MACE 框架，并针对新加入的 8 种重元素计算了自旋极化的孤立原子能量作为参考。

3. 关键贡献 (Key Contributions)

• 最广泛的元素覆盖： 开发了目前已知覆盖元素种类最宽的通用 MLIP（97 种元素），填补了次锕系元素在通用势函数中的空白。
• HE26 数据集发布： 公开了包含 8 种关键重元素的高质量 DFT 数据集，为后续核材料研究提供了基础数据。
• 开源模型： 发布了 MACE-Osaka26 模型及其训练数据，促进了核材料领域的可复现研究。
• 跨域泛化能力验证： 证明了该模型在分子、晶体和重元素化合物三个不同领域均具有优异的性能。

4. 主要结果 (Results)

• 跨域精度提升：
  • 在晶体数据集 (MPtrj) 上，能量预测的均方根误差 (RMSE) 从 77.2 降至 62.0 meV/atom。
  • 在分子数据集 (OFF23) 上，能量 RMSE 显著降低，从 25.2 降至 12.3 meV/atom，表明模型对孤立分子系统同样具有鲁棒性。
  • 在 HE26 数据集上，尽管数据量有限，模型仍实现了 44.7 meV/atom 的能量 MAE 和 26.3 meV/Å 的力 MAE，成功学习了重元素复杂的势能面。
• 晶格参数预测：
  • 在 HE26 的子集测试中，模型对复杂多组分系统 (CHE) 的晶格参数预测误差极低 (RMSE = 0.0477 Å)，优于基础子集 (BHE)，显示出对复杂化学环境的强大泛化能力。
  • 对于锕系氟化物固溶体，模型能准确复现 DFT 趋势，误差在 0.01 Å 级别。
• 晶格热导率 ($\kappa_L$) 预测：
  • 利用 MACE-Osaka26 生成的二阶和三阶力常数，通过求解 Wigner 输运方程（而非传统的玻尔兹曼输运方程，以处理低对称性和非谐耦合），计算了锕系二氧化物 (AnO$_2$) 及其固溶体的热导率。
  • 结果验证： 预测结果在 300-1500 K 范围内与 UO$_2$、AmO$_2$、ThO$_2$ 等已知实验数据高度一致。
  • 掺杂效应： 模型成功量化了 Am 掺杂 (Am$_{0.25}$U$_{0.75}$O$_2$) 导致的热导率急剧下降，准确捕捉了从纯二元氧化物到三元固溶体的性质过渡。
  • 稳定性： 在整个锕系系列中，预测结构均未出现虚频，证明了模型预测的动力学稳定性。

5. 意义与展望 (Significance)

• 加速核材料设计： 该工作提供了一种可扩展的途径，用于评估含超铀元素复杂系统的热输运性质，这是传统第一性原理计算难以完成的。
• 推动高熵陶瓷与燃料研发： 为设计基于锕系的高熵陶瓷和新型混合氧化物燃料提供了可靠的计算工具，有助于解决极端环境下的材料性能预测问题。
• 方法论启示： 证明了通过扩展截断半径和整合多源数据（包括文献数据和实验数据），可以显著提升通用势函数在重元素领域的适用性。
• 未来方向： 作者指出，未来的工作将包括引入自旋轨道耦合 (SOC) 和更高精度的电子结构方法，以进一步解决强关联 f 电子带来的不确定性，并通过主动学习策略持续扩展数据集。

总结： 该论文通过构建 HE26 数据集并训练 MACE-Osaka26 模型，成功打破了通用 MLIP 在重元素应用上的瓶颈，为核能领域（特别是次锕系元素处理、核燃料设计及高熵材料开发）提供了强大的计算基础设施。