🔬 materials science

Data-Efficient Training of Linear ACE Potentials through Leverage-Guided Subset Selection of ASSYST Structure Pools

本文表明，通过杠杆引导的、无标签的 ASSYST 结构池子集选择，可以在保持与随机采样及其他基准采样策略相比具有竞争力的能量、力以及缺陷水平保真度的同时，显著降低训练准确的线性原子簇展开（ACE）势函数所需的 DFT 标注工作量（达 2–3 倍）。

原作者： Aynour Khosravi, Marvin Poul, Jörg Neugebauer, Chad Sinclair

发布于 2026-07-22

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Aynour Khosravi, Marvin Poul, Jörg Neugebauer, Chad Sinclair

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

伟大的材料搜寻：为什么我们需要更智能的地图

想象一下，你是一名试图建造摩天大楼的建筑师，但你没有蓝图，每次想增加一层楼时，都必须从头开始计算每一块砖、每一个螺栓和每一根梁的物理特性。这本质上就是科学家在模拟材料行为时面临的困境。为了理解为什么金属会弯曲、电池为何会退化，或者一种新合金在压力下会如何表现，他们需要知道“势能面”——一张巨大的、无形的地图，它告诉他们在每一种可能的原子排列下存储了多少能量。

绘制这张地图最精确的方法是使用一种被称为“密度泛函理论”（DFT）的高精度方法。可以将 DFT 想象成一位大师级的制图师，他可以绘制出细节完美的地图，但绘制仅仅一平方英里的地图就需要耗费数天时间。如果你想模拟一整座城市（或拥有数十亿个原子的金属块），你可能需要等待的时间比宇宙的寿命还要长。为了解决这个问题，科学家们使用了“机器学习原子间势函数”（MLIPs）。它们就像是向大师学习的学生制图师。一旦经过训练，它们几乎可以瞬间绘制出地图，从而让我们能够模拟大规模系统。但问题在于：为了训练这个学生，大师仍然需要先绘制出数千个那样微小且昂贵的平方英里。问题是：在学生掌握正确方法之前，大师究竟需要绘制多少个平方英里？

论文的核心思想：寻找“黄金点”

这篇论文解决了这个确切的问题。研究人员利用一个名为 ASSYST 的工具（该工具会自动生成一个包含大量随机、奇特且奇妙的原子结构的库），提出了一个简单的问题：如果我们有一个包含 20,000 个潜在结构的资源池，我们真的需要支付“DFT 税”来标记所有这些结构吗？还是我们可以挑选一个更小、更聪明的子集，从而同样有效地教导计算机模型？

他们测试了一种被称为杠杆引导选择（Leverage-Guided Selection）的聪明策略。想象一下，你正在学习一座新城市的布局。你可以走遍每一条街道（随机采样），或者你可以看一眼地图，挑选出那些连接了最多独特社区的街道（杠杆选择）。论文中的方法利用数学手段来寻找资源池中最“独特”的原子排列——即那些能填补模型知识中最大空白的排列——而无需预先知道昂贵的能量值。他们称之为“无标签”（label-free），因为该方法只观察原子的形状，而不关注其计算出的能量。

他们的发现：
结果非常高效。对于铝和铜等纯金属，研究人员发现，通过使用这种“智能挑选”方法，他们训练出的模型仅需使用随机挑选所需数据的 30–40%，即可达到相同的准确度。换句话说，他们通过仅进行三分之一的高昂工作，就完成了高质量地图的绘制。这实现了 2 到 3 倍的计算成本降低。

“陷阱”与细微差别：
论文谨慎地指出，这并非魔法。虽然“智能挑选”对纯元素效果显著，但对于复杂合金（铝和铜的混合物）的结果则更为微妙。

对于有序合金： 一旦模型见识了足够多类型的化学环境，使用智能方法挑选 25% 的数据所获得的结果，就与随机挑选 50% 的数据一样好。
对于稀释合金（在另一种金属中加入少量另一种金属）： 智能方法的表现更加出色，它在将所需数据减半的同时，还提高了针对特定缺陷（如空位/缺失原子）的准确度。

他们排除了什么：
该研究明确反对仅仅根据前一次预测错误的程度来挑选“最难”或“最奇怪”结构的观点（这是一种基于能量或力误差的“主动学习”方法）。他们发现，虽然基于巨大误差的选择在初期确实有一定帮助，但这种方法并不稳定，且无法像他们的杠杆法那样全面覆盖整个“地图”。论文指出，单纯寻找最大的错误，在效果上不如寻找最具“信息量”的几何空白。

他们的信心何在？
作者对这些数字非常有信心，因为他们进行了严格的测试。他们不仅仅是猜测，而是运行了五次具有不同随机种子的模拟，以确保结果并非偶然。他们还利用完全独立的测试集（模型未曾见过的结构）对模型进行了验证，并检查了诸如晶界和空位等特定的困难场景。论文表明，这种“几何优先”的方法是一种稳健且具有统计学依据的方法，可以节省时间和资金；但同时也指出，对于极其复杂的多元合金，仍需更多测试来确定其极限所在。

简而言之，论文表明，如果你想教会计算机理解材料，你不需要展示每一个例子。你只需要展示正确的例子。通过使用数学指南针来寻找最独特的原子形状，科学家可以利用显著减少的计算能力来构建更好的模型。

技术摘要：通过杠杆率引导的子集选择实现线性 ACE 势能的高效数据训练

问题陈述
机器学习原子间势（MLIP）的发展，特别是基于原子簇展开（ACE）的模型，往往受限于生成大规模密度泛函理论（DFT）训练数据集的高昂计算成本。虽然像自动对称结构训练（ASSYST）这样的框架可以系统地生成多样化的候选结构池（通常达数万个），但关于需要多少配置进行 DFT 标记才能达到可靠精度的问题仍未得到解决。现有的高效数据策略通常依赖于主动学习（需要重复重新训练）或标签驱动的启发式方法（需要 DFT 标签来对候选对象进行排序），这些方法并不能从根本上降低初始标记成本。此外，以往关于数据选择的研究尚未深入调查减少训练集规模是否会损害所得势能在物理上截然不同的机制（如缺陷能量或合金系统）中的迁移性。

方法论
作者提出了一种用于训练线性 ACE 势能的无标签、基于几何结构的子集选择策略。该方法的核心依赖于源自 ACE 设计矩阵的统计杠杆率（statistical leverage scores），这些得分量化了特定配置对回归拟合的影响，且无需访问量子力学标签（能量或力）。

数据生成： 研究利用了预生成的元素铝（Al）、铜（Cu）及 Al–Cu 合金的 ASSYST 结构池。这些池包含小型周期性胞（8–10 个原子），通过对随机晶体原型进行采样、弛豫并施加受控扰动而生成。
模型架构： 采用了线性 ACE 模型，其中位点能量被表示为对称适应基函数的线性组合。拟合问题被表述为 Tikhonov 正则化贝叶斯线性回归。
基于杠杆率的选择：
- 配置级得分： 作者并非选择单个可观测量（例如单个力的分量），而是将行级杠杆率得分聚合为配置级指标（ $L_R$ ）。该得分仅取决于加权设计矩阵的几何结构和正则化先验。
- 采样策略： 实现了两种 CUR 型子采样模式：
  - Energy-CUR：基于仅含能量特征矩阵的杠杆率得分来选择配置。
  - Block-CUR：基于完整的能量和力数据块的杠杆率得分进行选择，将每个配置视为相关的行块。
- 基准测试： 将杠杆率引导的方法与随机采样、基于能量的选择（根据 DFT 能量残差进行排名）以及基于力的选择（根据 DFT 力残差进行排名）进行对比。
验证协议： 使用迭代协议，首先用 10% 的池进行初始化训练集，然后进行扩展。性能在留出的测试集和包含本体、表面、晶界及缺陷结构的独立 DFT 验证集上进行评估。

主要贡献

无标签效率： 本文证明了杠杆率得分可以在任何 DFT 标记之前计算，从而实现“先过滤后标记”的工作流，避免了为整个候选池进行标记的高昂计算成本。
迁移性保持： 不同于以往侧重于拟合指标的数据选择研究，本工作明确验证了减少后的训练集是否能保持对分布外性质（特别是缺陷能量和合金形成能）的预测精度。
系统性比较： 研究在固定的 ACE 架构下，通过对元素和合金系统的受控比较，分离了选择策略对超参数调优的影响。

结果

数据效率： 对于元素 Al 和 Cu，杠杆率引导的子集（特别是 block-CUR）仅需使用随机采样所需标记配置的 30–40%，即可达到平台级的能量和力精度。这相当于实现了 2–3 倍 的 DFT 标记成本有效降低。
收敛行为： 与基于随机或基于残差的选择相比，杠杆率引导的方法表现出更平滑、更具重复性的学习曲线以及更低的运行间变异性。Block-CUR 始终能产生最低的力误差，且比仅能量或启发式基准方法更快达到饱和。
缺陷与合金性能：
- 在 Cu 系统中，基于杠杆率的选择在预测空位形成能和晶界能方面显著优于基准模型，将误差从约 0.25 eV（基准）降低至约 0.04 eV。
- 在 Al–Cu 合金 中，虽然一旦具备足够的化学多样性，所有策略在有序金属间化合物方面的表现相似，但在稀释机制（Al 中的 Cu）中，杠杆率引导的选择（特别是 25% 数据的 CUR）实现了更优的精度，显著降低了空位形成误差，优于 50% 数据量的基准模型。
独立验证： 对独立 DFT 测试集（未用于训练或选择）的验证确认，减少后的数据集不会降低对本体、表面和缺陷结构的预测保真度。

意义与主张
作者主张，基于描述符空间引导的无标签子采样是减少线性 ACE 势能开发中 DFT 工作量的实用且具有统计学依据的策略。本文认为：

数据效率与迁移性并非互斥： 如果选择过程是由描述符空间的几何结构而非标量残差所引导，那么高质量、具有迁移性的势能可以在大幅缩减的子集上进行训练。
几何结构驱动选择： 通过优先考虑能够覆盖描述符空间的配置（高杠杆率），该方法有效地捕捉了破缺对称性和低配位数环境（这对缺陷至关重要），而这些环境在随机或基于残差的方法中往往采样稀疏。
工作流优化： 该方法实现了从“先标记后过滤”到“先过滤后标记”的转变，通过消除为绝大多数生成的候选结构计算 DFT 标签的需求，从根本上改变了 MLIP 开发的成本结构。

文章得出结论，尽管该方法是在线性 ACE 模型上展示的，但这种由几何驱动的子集选择原则，为在系统生成的结构池上进行高效数据训练的 MLIP 提供了一条通用路径。

伟大的材料搜寻：为什么我们需要更智能的地图

论文的核心思想：寻找“黄金点”

类似论文