Machine Learning Accelerated SSNEB for Efficient Minimum Energy Pathway Calculations

本文介绍了一种混合机器学习加速的固态渐进弹性带（SSNEB）框架，该框架将 EquiformerV2 和 eSEN 模型与密度泛函理论（DFT）相结合，在保持与第一性原理计算相当的准确度的同时，实现了在计算固体材料最小能量路径方面高达 7 倍的加速。

要点

想象一下，你正试图在两座山峰之间寻找一条最轻松、最节能的徒步路径。在材料科学的世界里，这些“山峰”是材料可以采取的不同稳定结构（例如不同的晶体形状），而这条“路径”就是最小能量路径 (MEP)。了解这条路径至关重要，因为它告诉科学家材料如何从一种状态转变为另一种状态，这有助于设计更好的太阳能电池、超导体和更坚固的金属。

然而，寻找这条路径是一项极其艰苦的工作。传统上，科学家使用一种称为 SSNEB（固态推挤弹性带）的方法。你可以把这想象成一支徒步小组试图绘制路径图，他们在每一步都会停下来，进行一次超级精确但既缓慢又昂贵的 GPS 测量（称为 DFT 或密度泛函理论），以测量该精确位置的能量、力和应力。因为路径有很多步骤，而每次 GPS 测量的耗时都很长，所以绘制整个路径可能需要数周甚至数月的计算时间。

新的“智能捷径”

本文作者引入了一种混合方法，显著加快了这一过程。以下是他们是如何实现的，使用了简单的类比：

1. 旧方法（全靠 GPS）： 你试图仅使用缓慢的高精度 GPS 来绘制整条山路。它很准确，但非常耗时。
2. 新方法（地图 + GPS）：
   • 第一步：AI 侦察兵。 首先，他们使用两个预训练的机器学习 (ML) 模型（分别命名为 EquiformerV2 和 eSEN）。你可以把这些模型想象成记住了数百万张山脉地图的专家侦察兵。它们可以根据所学知识快速勾勒出一条粗略版本的路径，而无需依赖缓慢的 GPS。这既快速又廉价。
   • 第二步：精炼。 一旦侦察兵画出了粗略的路径，团队就会利用那份草图，仅使用缓慢的高精度 GPS（DFT）来检查并润色最终细节。因为侦察兵已经带他们走完了 90% 的路程，所以 GPS 只需要做少量的功来确认路径。

他们测试了什么

研究人员在三种不同的材料上测试了这种“AI 侦察兵 + GPS”的方法：

• CsPbI3（碘化铯铅）： 一种用于太阳能电池的材料，其形状极易发生变化。
• GaN（氮化镓）： 一种用于电子设备的半导体。
• TiO2（二氧化钛）： 一种常用于防晒霜和光催化剂的常见材料。

结果

论文声称，这种新方法在效率方面具有变革意义：

• 速度： 他们实现了 7 倍的加速。在某些情况下，他们将昂贵的计算机计算量减少了高达 87%（降至原始工作量的仅 13%）。
• 准确性： 尽管他们先使用了来自 AI 的“粗略草图”，但最终结果与全程使用缓慢 GPS 的结果一样准确。AI 模型成功预测了与传统方法相同的路径和能量势垒。
• 胜出者： 在测试的两个 AI 模型中，eSEN 的表现略好，它需要更少的步骤即可获得完美结果。

为什么这很重要

论文得出结论，该框架使科学家能够更快地探索复杂的材料变化，且不会失去可靠性。这就像拥有一张引导你走向正确目的地的地图，让你不必漫无目的地游荡，从而节省了大量的时间和计算能力。这使得发现用于更好电池或太阳能电池板的新材料变得更加容易，前提是该材料的行为与他们测试的材料相似。

简而言之： 他们将智能 AI 预测的速度与科学测量的精度相结合，比以前更快地绘制了材料变化路径，这证明了你并不需要从头开始做所有的苦差事也能得到正确的答案。

技术摘要

技术摘要：机器学习加速的 SSNEB，用于高效计算最小能量路径

问题陈述
理解连接亚稳态与结构的最小能量路径（MEP）是材料科学的基础，它为转变机制、能垒和动力学性质提供了见解。虽然爬坡法（Nudged Elastic Band, NEB）是探测 MEP 的标准工具，但其在周期性固体中的应用受限于固态爬坡法（SSNEB）的高昂计算成本。SSNEB 需要为路径中的每一个图像精确评估能量、力和应力张量，这通常需要高昂的第一性原理密度泛函理论（DFT）计算。尽管机器学习（ML）原子间模型已经加速了传统的 NEB 计算，但如何将其显式集成到处理周期性系统（其中晶格自由度和应力张量至关重要）的 SSNEB 框架中，目前仍是一个未被探索的领域。

方法论
作者提出了一个混合 SSNEB 框架，该框架集成了两种预训练的等变机器学习模型——EquiformerV2 (eqV2) 和等变平滑能量网络 (eSEN) ——并与 DFT 相结合。工作流程如图 1 所示，运行步骤如下：

1. 机器学习驱动的预收敛： 生成中间图像，并完全使用基于机器学习的计算（以 eqV2 或 eSEN 作为 DFT 的替代模型）来初步搜索 MEP。这些模型在 Open Materials 2024 (OMat24) 数据集上进行了预训练，能够预测能量、原子力和应力。
2. DFT 精修： 一旦通过 ML 模型获得了近似路径，则使用 DFT（具体为 VASP）重新启动 SSNEB 计算，并利用 ML 收敛后的图像作为初始路径。
3. 收敛准则： 当任何图像中任何原子的总力降至 0.01 eV/Å 以下时，SSNEB 计算达到收敛。总力包括沿路径的弹簧力，以及与应力和晶格自由度相关的力。

关键结果
该框架在三种不同的固态系统上进行了验证：铯铅碘化物 (CsPbI3)、氮化镓 (GaN) 和二氧化钛 (TiO2)。

• CsPbI3： 对于相变（例如 $\beta \to \gamma$），该混合方法显著减少了所需的 DFT 迭代次数。使用 eSEN 作为初始替代模型使 DFT 迭代次数减少了约 70%（例如，对于包含 5 个图像的 $\beta \to \gamma$ 过程，从 125 次减少至 73 次），而 eqV2 实现的减少量约为 60%。经 DFT 精修后的 ML 收敛路径在最终路径和结构属性（键长、倾斜角）上与纯 DFT 计算一致，但总步数更少。
• GaN： 在压力诱导的纤锌矿向岩盐矿（B4 到 B1）转变过程中，eSEN 收敛的路径重现了与纯 VASP 结果相当的焓垒（0.33 eV/f.u.，纯 VASP 为 0.34 eV/f.u.）。从 ML 路径重启 VASP 将所需的自洽场（SCF）计算减少到了仅为全 DFT 驱动成本的 13%。
• TiO2： 对于从 TiO2-B 到锐钛矿相的转变，基于 eSEN 的方法捕捉到了转变的定性特征，其能垒为 0.92 eV，略高于 VASP 的结果（0.88 eV）。然而，混合“eSEN + VASP 重启”方法重现了精确的 0.88 eV 能垒，同时将 DFT 计算量降低了 0.73 倍。

在所有系统中，该混合方法相比传统 SSNEB 实现了高达 7 倍的计算效率提升，且 eSEN 模型在稳定性与准确性方面普遍优于 eqV2。

意义与主张
本文声称，该混合框架提供了一种鲁棒且可扩展的策略，用于加速复杂材料中的过渡态搜索，且不会损害第一性原理结果的准确性。其核心贡献包括：

1. 首次集成： 本研究首次将预训练的 ML 模型显式集成到用于周期性固体的 SSNEB 框架中，解决了晶格和应力张量评估的特定需求。
2. 无需微调的高效性： 这些模型在无需针对特定材料进行任何微调或迁移学习的情况下，实现了显著的加速（2–7 倍），展示了大尺度预训练模型的泛化能力。
3. 基准测试效用： 该框架能够对现有 ML 模型进行系统的基准测试，揭示了 eSEN 在这些特定路径计算中表现优于 eqV2。
4. 未来展望： 作者指出，尽管目前的结果令人鼓舞，但通过涉及 DFT 微调或从头算分子动力学的主动学习循环，以及优化模型中能量、力和应力预测的相对权重，未来有望实现进一步的改进。

研究结论认为，这种方法改变了解决过渡路径和亚稳态状态的方式，为多样化的化学成分和多晶型相的材料发现提供了一个实用的工具。