Upscaling DFT-trained machine-learning interatomic potential toward Quantum Monte Carlo accuracy: Sulfur-vacancy migration in monolayer MoS$_2$ as a testbed

本文提出了一种多保真度机器学习方法，该方法利用有限的量子蒙特卡洛能量对经密度泛函理论训练的原子间势进行微调，从而在模拟单层 MoS$_2$ 中的硫空位迁移时实现接近量子蒙特卡洛的精度，使得能够开展直接量子蒙特卡洛方法因计算成本过高而无法进行的大规模高精度模拟。

要点

想象一下，你正在绘制一幅完美的山地地形图，以帮助徒步者（原子）安全通行。

问题：地图要么太昂贵，要么太粗糙
科学家绘制这幅地图主要有两种方法：

1. “足够好”的地图（DFT）： 这就像标准的 GPS。它生成速度快、成本低，能让你大致了解山丘和山谷的位置。然而，它有时会搞错山峰的高度。如果你试图穿越某个特定的山口（化学反应），这幅地图可能会告诉你这个山口很容易攀登，而实际上它却是一处陡峭的悬崖。
2. “完美”的地图（QMC）： 这是一种卫星测绘，能以惊人的精度测量每一块岩石和鹅卵石。它能给出山脉的真实高度。但是，制作它的成本极高且速度极慢，以至于你只能负担得起对一小块土地进行测绘。你无法用它来绘制整个大陆，也无法模拟长途徒步，因为计算机需要花费几个世纪才能完成。

解决方案：一种智能的混合方法
本文的作者想出了一个巧妙的技巧，以兼得两者的优势。他们希望将“足够好”的地图升级为与“完美”地图一样准确，但无需付出那不可能承担的成本。

以下是他们是如何做到的，这里使用了一个汽车调校的类比：

• 引擎（AI 模型）： 他们从一辆已经用“足够好”的地图建造好的汽车（一个名为 MACE 的 AI 模型）开始。这辆车行驶良好，并且懂得如何处理转弯（原子间作用力），因为它是在快速、标准的数据上训练出来的。
• 燃油喷射（能量修正）： 他们意识到，与“完美”地图相比，这辆车的速度表（能级）略有偏差。因此，他们从山上的特定位置采集了一些非常昂贵、高精度的燃油样本（QMC 能量）。
• 调校（微调）： 他们没有从头重建整辆车（那太难了），而是只调整了仪表盘和速度表（AI 的“读出层”）。他们利用这些昂贵的燃油样本重新校准速度表，使其能读出山脉的真实高度。
• 安全刹车（力约束）： 这里是棘手之处。如果你只是微调速度表，汽车可能会开始疯狂行驶，因为引擎不知道如何处理新的速度。为了防止这种情况，他们加了一个“安全刹车”。他们告诉 AI：“你可以调整速度以匹配完美地图，但你不能让汽车的转向（作用力）发生超过微小、安全范围的改变。”这保持了汽车的稳定性，防止它撞向想象中的悬崖。

测试：MoS2 中的硫空位
为了测试这种新方法，他们使用了一种特定材料：二硫化钼（MoS2）的薄片。他们观察当一个硫原子缺失（一个“空位”）并试图移动到新位置时会发生什么。这种移动就像徒步者试图翻越山脊。

• 旧方法： 标准地图显示徒步者需要攀登一座 2.30 eV 的小山。
• 完美方法： 昂贵的高精度测绘显示这座山实际上是 2.85 eV。这是一个巨大的差异！
• 新的混合方法： 他们经过调校的模型预测值为 2.75 eV。它几乎和昂贵的测绘一样准确，但计算是瞬间完成的。

结果

• 准确性： 新模型几乎完全正确地得出了能量势垒（山的高度），与昂贵的“金标准”结果在极小的误差范围内吻合。
• 作用力： 尽管他们没有使用昂贵数据来教导模型如何转向（作用力），“安全刹车”仍保持了转向的准确性。模型的转向性能比原始模型有了显著提升，几乎像原始地图一样与高精度测绘结果相匹配。
• 规模： 由于该模型速度很快，他们可以模拟巨大的场景——例如一整排缺失的原子同时移动——而这些场景如果用昂贵的方法计算则是无法实现的。

总结
作者为计算机模拟创造了一种“智能升级”。他们采用了一个快速但略有误差的模型，并注入少量昂贵的高精度数据来修正其能量读数，同时利用一条安全规则来保持其运动预测的稳定性。这使得科学家能够运行以前因过于困难或昂贵而无法研究的大规模、高精度的材料模拟。

技术摘要

技术摘要：将 DFT 训练的 MLIP 扩展至接近 QMC 精度

问题陈述
精确模拟势能面（PES）对于模拟空位扩散和相变等活化过程至关重要。虽然机器学习原子间势（MLIP）能够实现大规模采样和自由能计算，而这些计算对于第一性原理方法而言在计算上是不可行的，但其精度本质上受限于用于训练的数据。标准的密度泛函理论（DFT）训练的 MLIP 能够复现 DFT 结果，而这些结果通常在势垒高度和缺陷能量学方面包含系统性偏差。相反，量子蒙特卡洛（QMC）方法可提供接近化学精度的基准级能量，但目前其计算成本过高，无法进行广泛采样。此外，从随机 QMC 方法（特别是固定节点扩散蒙特卡洛，FN-DMC）获得收敛的原子力比计算能量要困难得多且远非例行程序，这成为了训练依赖力数据的高保真度 MLIP 的瓶颈。

方法论
作者提出了一种多保真度学习（MFL）策略，旨在无需直接进行 QMC 力计算的情况下，将 DFT 训练的 MLIP“扩展”至接近 QMC 的精度。该方法利用了对等变消息传递神经网络（MACE）的部分冻结微调（FT）方案。该方法论包含三个核心组成部分：

1. 数据生成：基于预先存在的 DFT 训练 MACE 势，利用约束分子动力学（MD）和 nudged elastic band（NEB）路径生成了约 $10^3$ 个构型的数据集。对这些构型计算了单点 FN-DMC 能量，而原子力则保留自底层的 DFT 计算。
2. 微调架构：作者仅微调了 MACE 模型的“读出”层，这些层将学习到的不变特征映射到每个原子的能量。编码局部环境几何表示及 DFT 学习力场的等变消息传递层则被冻结。这既保留了从 DFT 中学习到的定性结构物理，又允许能量映射针对 QMC 目标进行重新校准。
3. 损失函数与约束：训练目标最小化一个包含 FN-DMC 能量的均方误差（MSE）项以及预测力与 DFT 基准力偏差的阈值惩罚项的组合损失函数。
   • 力惩罚定义为 $FEt(F_{pred}, F_{DFT}) = \Theta(\|\Delta F\|^2 - t^2)(\|\Delta F\|^2 - t^2)^2$，其中 $t$ 是阈值参数（设定为 16 eV/Å）。
   • 该约束防止模型产生非物理力或相对于稳定 DFT 动力学的大偏差，同时仍允许能量景观向 QMC 精度偏移。

主要贡献

• 力约束扩展：本文展示了一种实用协议，利用高级 QMC 能量和低级 DFT 力来修正 DFT 训练的 MLIP，从而规避了昂贵且噪声大的 QMC 力计算需求。
• 部分冻结策略：通过冻结消息传递层并仅更新读出层，作者在保持 DFT 力场稳定性的同时实现了 QMC 级别的能量学。
• 多保真度验证：研究验证了有限的 QMC 能量数据集（少至 37 个样本）足以显著改善模型，且性能在约 500 个样本时趋于稳定。

结果
该方法在单层 MoS2 中的硫（S）空位迁移上进行了测试，该系统涉及单空位、双空位和四空位。

• 能量学：微调后的 MLIP（FT-MLIP）在迁移势垒方面达到了接近 QMC 的精度。对于单空位，FT-MLIP 势垒（2.75 eV）与显式 FN-DMC 结果（2.85 eV）仅相差约 0.1 eV，而基准 DFT-MLIP 则低了 0.55 eV。
• 力：尽管未在 QMC 力上进行训练，FT-MLIP 仍显示出改进的力保真度。相对于 QMC 导数的原子力平均绝对误差（MAE）从 220 meV/Å（DFT-MLIP）降低至 160 meV/Å（FT-MLIP）。
• 泛化能力（域外）：该模型成功预测了双空位和四空位的迁移势垒（转移测试），与显式 FN-DMC 计算的偏差仅为 0.04–0.15 eV，显著优于 DFT 基准。
• 自由能：该方法实现了大规模热力学积分模拟，以计算 300 K、600 K 和 900 K 下的自由能势垒，揭示出振动熵修正的幅度与 QMC 能量修正相当，并且可以定性改变过渡态的位置。

意义
作者声称，这种方法为那些直接暴力 QMC 方法无法触及的系统和构型（例如具有多个缺陷的大超胞）开启了大规模、接近 QMC 质量模拟的窗口。该方法在学习高级能量修正与保持 DFT 力场的定性稳定性之间提供了可控的权衡。作者断言，该技术可推广至其他电子关联影响能量学但不会定性改变 PES 的系统，为获得基准级材料模拟提供了一条计算上可承受的路径。