DFT Accuracy on Crystal Structure Prediction with Machine Learning Interatomic Potentials

本文介绍了 CSP-MACE-Å，这是一种机器学习原子间势，它将总能量分解为分子内和分子间分量，从而在晶体结构预测中实现密度泛函理论水平的精度，同时运行速度快数个数量级，进而通过广泛的候选物评估和自由能计算，实现对固体形态更稳健的风险规避。

要点

想象你是一位厨师，正在为一款新蛋糕寻找完美的配方。你有数百万种潜在的配料组合（候选结构），但只有时间品尝测试几十种。为了高效完成，你需要一种方法，在真正烘焙之前快速猜测哪些配方是“好”的。

在药物开发领域，“蛋糕”是药物分子，而“配方”是这些分子在晶体中如何堆叠。这种堆叠被称为晶体结构预测（CSP）。正确掌握堆叠方式至关重要，因为不同的堆叠（多晶型）可能导致药物溶解过快、完全不溶解，甚至在货架上静置时转变为另一种形态。

多年来，品尝这些配方的“金标准”一直是一种超精准但极其缓慢的计算机模拟，称为DFT（密度泛函理论）。它就像一位能品尝蛋糕并准确告诉你其味道的名厨，但分析一个配方就需要数天时间。由于速度太慢，科学家只能检查数百万种可能配方中的极小一部分。

本文介绍了一种新工具，名为CSP-MACE-Å。你可以将其视为一位超高速的 AI 学徒，它经过训练以模仿名厨的味觉，但工作速度比名厨快数千倍。

以下是本文如何解释这一新工具，将其拆解为简单概念：

1. 两部分配方（分子内与分子间）

作者意识到，晶体由两种相互作用构成：

• 分子内作用：单个分子内部原子如何结合在一起（就像单块曲奇内部的配料）。
• 分子间作用：分子如何彼此粘附以形成晶体（就像曲奇在罐子中如何堆叠）。

旧的 AI 模型试图一次性学习所有内容，结果陷入混乱。新的CSP-MACE-Å将工作拆分为两个专业团队：

• 团队 1（曲奇制作师）：使用在海量单分子库上训练的模型，理解配料如何结合。
• 团队 2（罐子堆叠师）：这是秘密武器。它专门训练以理解分子在晶体中彼此粘附的微妙方式。它结合了三个要素：
  1. 一个用于粘附的基础模型。
  2. 一个用于长程“范德华力”（分子间微弱的类磁力吸引）的数学公式。
  3. 一个“增量模型”（修正层）。这就像一位只关注前两者错误的品尝测试员，通过修正这些错误以匹配名厨（DFT）的结果。

2. 品尝测试（结果）

作者让这位新的 AI 学徒通过了三项严格的品尝测试，以查看它是否能取代缓慢的名厨。

• 测试 1：阿斯利康厨房（19 种化合物）
  他们选取了 19 种现实世界的药物化合物，要求 AI 对最佳晶体结构进行排序。

  • 结果：AI 的能量排序与缓慢的名厨（DFT）几乎完全一致。
  • 转折：当他们加入“温度因子”（计算自由能，考虑分子如何晃动和振动）时，AI 表现更佳，在几乎所有案例中都正确识别了最稳定的晶体形态。

• 测试 2：盲测（28 种化合物）
  他们在来自七次以往“盲测”（科学家事先不知道答案）的 28 种化合物上测试了 AI。

  • 结果：AI 的表现与最佳 DFT 方法相当，且显著优于其他现有 AI 模型。

• 测试 3："ROY"挑战（最棘手的蛋糕）
  有一种名为 ROY 的著名分子，拥有 14 种不同的晶体形态。由于分子具有灵活性和复杂性，它 notoriously 难以处理。大多数计算机模型在此出错。

  • 结果：由于他们的 AI 拥有一个在高级化学上训练的专门“曲奇制作师”团队，它正确识别了 ROY 最稳定的形态，而其他模型则失败了。

3. 预测未来（温度稳定性）

最后，他们测试了 AI 能否预测当烤箱变热时“蛋糕”如何变化。有些药物在室温下稳定，但加热时会熔化或改变形态。

• 他们在一系列温度范围（从冷冻到极热）内测试了 5 种化合物。
• 结果：AI 成功预测了总体趋势。例如，它正确猜测出某种药物形态在低温下稳定，但当变热时另一种形态会占据主导。虽然它并未在每一个案例中都完美预测出确切的温度转换点，但它捕捉整体行为的能力远优于以往方法。

核心结论

本文声称，CSP-MACE-Å是一项突破，因为它速度快到足以检查数百万种配方，同时准确到足以信任其结果。

与其等待数天用名厨检查 100 种配方，这位 AI 能在冲泡一杯咖啡的时间内检查数千种配方，且结果几乎与名厨一样准确。这使得科学家能够“降低风险”其药物开发，确保他们不会错过那些用旧有缓慢方法因成本过高而无法发现的、更好且更稳定的晶体形态。

本文并未声称：

• 它并未声称该工具目前正被用于医院或治疗患者。
• 它并未声称这将立即治愈疾病。
• 它严格专注于晶体结构的预测，而非药物本身的化学合成或临床试验。

技术摘要

技术摘要：基于机器学习原子间势的晶体结构预测中 DFT 的精度

问题陈述
晶体结构预测（CSP）是药物开发的关键组成部分，对于选择活性药物成分（API）的固态形式至关重要，以确保生物利用度、可制造性和稳定性。标准的 CSP 工作流程涉及生成数百万个候选结构并进行排序，以识别最稳定的多晶型。目前排序阶段的最先进方法依赖于色散校正的密度泛函理论（DFT-D），例如带有 Neumann–Perrin 校正的 PBE 或 B86bPBE-XDM。尽管 DFT 精度较高，但其计算成本昂贵，结构优化通常需要数小时，自由能计算则需数天。这种成本限制了可评估的候选结构数量，并制约了自由能重排序的实际应用。机器学习原子间势（MLIPs）提供了一种潜在的解决方案，可将这些计算加速数个数量级，但之前的尝试难以匹配 DFT 的精度，特别是在模拟晶体中的长程静电作用、色散作用以及微妙的分子间相互作用方面。

方法论：CSP-MACE-Å
作者提出了 CSP-MACE-Å，这是一种专为在 CSP 工作流程中替代 DFT 而设计的 MLIP。该模型采用分解的能量架构，将总能量分为分子内和分子间分量，以便对每种相互作用类型进行定制化建模：

1. 能量分解：总能量定义为 $E_{total} = E_{intra} + E_{inter}$。分子内能量（$E_{intra}$）计算为真空隔离状态下组成分子的能量之和，而分子间能量（$E_{inter}$）则是完整周期性系统与隔离分子能量总和之间的残差。
2. 分子内分量：该分量利用在 OMol25 数据集（1 亿次 $\omega$B97M-V/def2-TZVPD DFT 计算）上训练的 MACE-POLAR 架构。这一高水平理论数据集确保了分子内构象能量的准确建模，解决了标准 DFT 泛函在柔性分子中存在的离域误差等问题。
3. 分子间分量：这是一个混合模型，结合三个项以捕捉晶体特有的相互作用：
   • MACE-POLAR 贡献：提供分子间相互作用的基线，但缺乏长程色散作用。
   • 色散项：一个固定参数项，遵循 XDM（交换空穴偶极矩）校正的函数形式。参数基于内部 50,000 次 B86bPBE-XDM 计算的平均值。
   • 学习 Delta 模型：一个神经网络，用于预测 B86bPBE-XDM DFT 目标值与 MACE-POLAR 及色散项之和之间的残差。该模型基于 50,000 次 B86bPBE-XDM 晶体结构计算进行训练。关键在于，训练目标是隔离的分子间残差，防止损失函数被较大的分子内能量信号所主导。

主要贡献

• 架构：开发了一种分解式 MLIP，显式分离分子内和分子间建模，允许对分子内项使用高水平理论数据，对分子间项使用针对性的晶体数据。
• 训练策略：针对分子间相互作用实施了“增量学习”（delta learning）方法，模型学习对基于物理的色散模型和基础 MLIP 的修正，专门针对 B86bPBE-XDM 精度。
• 综合评估：在多个数据集（包括阿斯利康内部的 CSP 出版物和七项 CSP 盲测）上，对 CSP-MACE-Å 与现有基础模型（MACE-POLAR-1、UMA-OMC）及 DFT 标准进行了严格的基准测试。

结果
评估在三个主要数据集上进行：

1. 阿斯利康（AZ）数据集（19 种化合物）：CSP-MACE-Å 在按能量排序时取得了与 PBE-NP DFT 相当的性能。然而，当使用谐波自由能（在 300 K 下计算）对结构进行重排序时，CSP-MACE-Å 显著优于仅按能量排序的方法，将实验匹配结构置于前 10 名内，且平均最小能量偏差在 0.36 kJ/mol 以内。它始终优于 MACE-POLAR-1 和 UMA-OMC 基础模型。
2. 盲测数据集（28 种化合物）：CSP-MACE-Å 表现出接近 B86bPBE-XDM DFT 的性能。虽然仅按能量排序略逊于 B86bPBE-XDM，但引入谐波自由能重排序使 CSP-MACE-Å 超越了 DFT 能量排序的性能，平均排名达到 2.96，而 B86bPBE-XDM 为 3.25。
3. ROY（红橙黄）案例研究：ROY 是一种具有 14 种已知多晶型的挑战性分子，标准 DFT 常因分子内离域误差而失效。CSP-MACE-Å 正确预测了实验上最稳定的 Y 型为全局最小值（偏差在 0.5 kJ/mol 以内），而 B86bPBE-XDM 将其置于高 5 kJ/mol 以上。这一成功归功于高保真度的分子内模型（基于 $\omega$B97M-V 训练）结合准确的分子间建模。
4. 热力学稳定性：在一组 5 种具有已知温度依赖性多晶型稳定性的化合物上，CSP-MACE-Å 利用谐波自由能近似成功捕捉了相对稳定性的总体趋势。虽然它并未在所有温度下完全重现多晶型的精确排序，但它正确识别了多种化合物的单变型（monotropic）和易变型（enantiotropic）关系及转变点（例如，盐酸美西律、AZD5462）。

意义与主张
本文主张，CSP-MACE-Å 代表了 MLIPs 在工业 CSP 应用中可行性的重大进步。通过实现 DFT 级别的精度，同时运行速度快数个数量级，该模型使得评估的候选结构池规模远超当前 DFT 可行的范围。这一能力通过降低因计算成本而将可行多晶型排除在排序阶段之外的可能性，增强了固态形式的风险规避。此外，在大型数据集上执行自由能重排序的能力，使得更广泛化合物的温度依赖性稳定性评估变得切实可行。作者总结道，虽然当前工作保持了标准的 CSP 工作流程，但 CSP-MACE-Å 的速度为未来工作流程本身的适应打开了大门，例如将 MLIPs 整合到结构生成阶段。