🔬 materials science

Physics-informed Machine Learning Prediction of Hubbard Interaction Parameters

本研究提出了物理信息机器学习模型，能够准确预测过渡金属氧化物的 cRPA 导出哈伯德相互作用参数（ $U_{\rm eff}$ 、 $V$ 和 $J$ ），既提供了高通量筛选能力，又为控制这些相互作用的电子和结构因素提供了新的物理见解。

原作者： Jiyeon Kim, Indukuru Ramesh Reddy, Bongjae Kim, Sooran Kim

发布于 2026-07-30

📖 1 分钟阅读☕ 轻松阅读

原作者： Jiyeon Kim, Indukuru Ramesh Reddy, Bongjae Kim, Sooran Kim

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

想象一下，你正试图为一个由原子组成的微型、繁忙城市建立一个完美的模型。在这个城市里，电子是居民，它们在四处穿梭并相互作用。有时，这些电子表现得很守规矩，遵循标准的交通规则。但在某些材料（如过渡金属氧化物）中，电子会变得非常“狂野”。它们开始如此剧烈地互相推搡挤压，以至于常规规则失效了。这就是所谓的“强电子关联”。为了理解这些对于制造更好的电池、超导体和磁铁至关重要的材料，科学家们使用了一套特殊的规则，称为“哈伯德参数”（Hubbard parameters）。你可以将这些参数视为这些狂野电子的“交通法规”：包括它们在同一地点（原位）相互排斥的程度、它们在街对面（邻位）如何相互作用，以及它们的自旋如何同步（洪特耦合）。

长期以来，确定这些交通法规一直是一场猜谜游戏。科学家们会不断调整数值，直到他们的计算机模型与现实世界的实验相匹配，但这使得他们的模型对于新材料而言并不可靠。后来，一种更严谨的方法——“约束随机相位近似”（cRPA）被开发了出来。这就像拥有一个超级精确的交通摄像头，可以根据物理学计算出确切的规则，但它的计算成本极高，运行速度极其缓慢，导致无法检查宇宙中的每一种材料。这正是故事变得有趣的地方：我们如何在不等待数年结果的情况下，获得这种超级摄像头的准确性？

论文的故事：教计算机如何猜测规则

在这项研究中，金智妍（Jiyek Kim）、雷迪（Indukuru Ramesh Reddy）及其在庆北大学的团队决定教计算机成为一名顶尖的交通警察。他们想要构建一个“物理启发式”的机器学习模型，用以预测过渡金属氧化物中那些棘手的哈伯德参数（具体为 $U_{eff}$ 、 $V$ 和 $J$ ）。他们并没有让计算机盲目猜测，而是给了它一份包含物理线索的“小抄”——例如电子“高速公路”有多宽（带宽），以及电子能级与氧邻居之间的能量间隔（能带中心分离度）。

该团队首先使用缓慢且昂贵的 cRPA 方法构建了一个庞大的数据集，以获取各种材料的“真实”答案。然后，他们训练了三种不同类型的机器学习侦探（称为随机森林、梯度提升和 XGBoost）来学习其中的模式。结果令人印象深刻。表现最好的侦探——XGBoost 模型，能够以仅 0.148 eV 的误差预测原位排斥力（ $U_{eff}$ ），以 0.062 eV 的误差预测邻位相互作用（ $V$ ），以及以极小的 0.007 eV 误差预测自旋对齐（ $J$ ）。为了让你理解其程度，该模型如此出色，以至于它区分材料的能力几乎可以媲美那种缓慢且昂贵的方法，但只需不到一秒钟的时间。

但作者并未止步于仅仅制作一个给出答案的“黑箱”。他们还想知道计算机为什么做出这些猜测。因此，他们使用了第二种技巧，称为“基于回归的暴力搜索”（BFS）。想象一下，这就像是将计算机的最佳猜测强制转化为一个简单的数学方程，从而解释其背后的逻辑。这揭示了一些关于原子世界的迷人真相：

对于原位排斥力 ( $U_{eff}$ )： 模型发现，这个数值是电子的“局域化”程度（即电子被困在原子上的程度）与它与氧邻居混合程度之间的一场拉锯战。数学表明，如果电子更加局域化（带宽更窄）且与氧的混合较少（能量间隔较大），则排斥力会增强。由此导出的方程直接将这些物理概念与最终数值联系了起来。
对于邻位相互作用 ( $V$ )： 这完全取决于结构。模型表明，原子的堆积越紧密（结构紧凑性越高）以及与氧的混合越强，邻位之间的相互作用就越强。有趣的是，电子的“局域化”在这里对邻位相互作用的影响并不像对原位排斥力那样显著。
对于自旋对齐 ( $J$ )： 这是其中最简单的一个。模型发现，自旋对齐几乎完全由金属原子本身的身份决定。这就像是一个指纹；如果你知道该元素（其原子序数和族），你就能以惊人的准确度预测其自旋行为，而无需考虑周围复杂的结构。模型表明，由于这种相互作用受环境的屏蔽很弱，原子的自然特性得以显现。

作者强调，虽然这些机器学习模型非常精确，但它们并非魔法。它们是建立在 cRPA 数据基础之上的，而这些数据充当了训练的“真理”。这项研究表明，通过将机器学习的速度与这些衍生方程提供的物理洞察相结合，科学家现在可以快速筛选数千种材料，而不会牺牲对它们“为何”这样表现的深度理解。这是一种获得两全其美的方法：既拥有猜测的速度，又拥有物理学家的智慧。

技术摘要：物理启发式机器学习预测哈伯德相互作用参数

问题陈述
准确确定哈伯德相互作用参数——特别是有效在位库仑相互作用 ( $U_{eff}$ )、间位库仑相互作用 ( $V$ ) 和洪特耦合 ( $J$ )——对于将超越 DFT 的方法（如 DFT+U、DFT+DMFT 和 DFT+U+V）应用于强关联材料至关重要。虽然对这些参数进行经验性调优很常见，但这限制了其迁移性。第一性原理方法（如受限随机相位近似，cRPA）通过显式处理电子屏蔽，提供了一条严谨且具有迁移性的路径。然而，cRPA 计算的高计算成本成为了大规模材料筛选的瓶颈。尽管近期的机器学习（ML）研究已经能够预测哈伯德参数，但使用能够捕捉电子局域化和屏蔽效应的描述符来预测 cRPA 衍生的 $U_{eff}$ 、 $V$ 和 $J$ 的研究在很大程度上仍处于空白。

方法论
作者开发了一个物理启发式机器学习框架，用于预测一组多样化的过渡金属氧化物（TMOs）的 cRPA 衍生参数，这些氧化物涵盖了钙钛矿、橄榄石、尖晶石、层状以及层状钙钛矿结构。

数据生成： 使用 VASP 中的 cRPA 计算生成了一个包含 $U_{eff}$ 、 $V$ 和 $J$ 的数据集。通过 Wannier 函数投影定义了关联子空间（TM-d 流形），并排除了与这些能带相关的屏蔽过程，以计算屏蔽后的相互作用。
特征构建： 本研究构建了 12 个描述符，分为以下几类：
- 电子结构特征： TM-d 带宽 ( $W$ ) 以及 TM-d 与 O-p 能带中心之间的能量间隔 ( $D_{d-p}$ )，分别代表局域化程度和杂化/屏蔽效应。
- 原子与成分特征： 原子序数 ( $Z_{TM}$ )、族 ( $G_{TM}$ )、周期 ( $P_{TM}$ )、平均 d 电子数 ( $n_d$ ) 以及平均氧化态 ( $n_{ox}$ )。
- 结构特征： 晶胞原子数 ( $N_{u.c}$ )、TM 离子数 ( $TM_{u.c}$ )、最短 TM-O 键长 ( $d_{TM-O}$ )、每个化学式单元的体积 ( $V_{f.u}$ ) 以及空间群编号 ($SG$)。
建模策略： 研究采用了双重方法策略：
- 集成学习： 使用留一交叉验证（LOOCV）训练随机森林（RF）、梯度提升回归（GBR）和极端梯度提升（XGB）模型，以识别关键特征并实现高预测精度。
- 基于回归的暴力搜索（BFS）： 为了获得显式的解析表达式，应用了 BFS 算法。从集成分析中选出的主要特征通过 15 种非线性函数（例如 $x, 1/x, e^x, \ln(x+1)$ ）进行转换，生成原型特征。这些特征通过乘积组合成复合特征，从而构建线性回归模型（记为 $mCnF $，其中$ m $为复合特征数，$ n$ 为主要特征数）。

关键结果

$U_{eff}$ 的预测：
- 集成模型： XGB 表现最佳，在使用六个特征（ $n_{ox}, n_d, N_{u.c}, V_{f.u}, Z_{TM}, G_{TM}$ ）时，RMSE 为 0.148 eV， $R^2$ 为 0.899。一个四特征子集（ $n_{ox}, n_d, N_{u.c}, V_{f.u}$ ）实现了接近饱和的性能（RMSE 为 0.168 eV）。
- 解析表达式： BFS 方法生成了显式公式。一个使用物理动机特征集（ $W, D_{d-p}, n_d, V_{f.u}$ ）的模型实现了 0.207 eV 的 RMSE。导出的解析形式（公式 3）直接将 $U_{eff}$ 与局域化（ $W$ ）和杂化（ $D_{d-p}$ ）联系起来，表明 $U_{eff}$ 随杂化程度降低（较大的 $D_{d-p}$ ）而增加，并且对 $n_d$ 表现出非单调依赖关系。
间位 $V$ 的预测：
- 集成模型： XGB 在使用五个特征（ $n_d, N_{u.c}, V_{f.u}, SG, Z_{TM}$ ）时，实现了 0.062 eV 的 RMSE（ $R^2 = 0.784$ ）。
- 解析表达式： 表现最好的 BFS 模型（3C2F 配置）使用特征集（ $n_d, N_{u.c}, V_{f.u}, P_{TM}$ ）实现了 0.071 eV 的 RMSE。所得公式（公式 4）表明， $V$ 受结构紧凑性（较小的 $V_{f.u}$ 和较大的 $N_{u.c}$ 会增加 $V$ ）和杂化相关屏蔽（ $D_{d-p}$ ）的支配，而 $W$ （局域化）的作用微乎其微。
洪特耦合 $J$ 的预测：
- 集成模型： 利用极少的描述符即可实现对 $J$ 的极高精度预测。XGB 仅使用三个特征（ $G_{TM}, P_{TM}, SG$ ）就达到了 0.007 eV 的 RMSE（ $R^2 = 0.989$ ）。甚至仅用单个特征（ $Z_{TM}$ ）也能达到约 0.015 eV 的 RMSE。
- 解析表达式： BFS 分析证实， $J$ 主要受内在原子特性支配。表现最好的解析模型（公式 6）仅依赖于元素描述符（ $G_{TM}$ 和 $P_{TM}$ ），这反映了 $J$ 随过渡金属系列增加而增加、随周期减少的趋势，这与 cRPA 中由于弱屏蔽而保留的裸原子趋势相一致。

意义与主张
本文声称提供了一种高效的方法来预测 cRPA 衍生的哈伯德参数，从而在不依赖经验拟合的情况下加速 DFT+U 和 DFT+U+V 工作流。通过结合集成学习与 BFS，本研究既实现了高预测精度，又保证了物理可解释性。

作者强调，其框架提供了具体的物理见解：

$U_{eff}$ 直接与电子局域化和 TM-d/O-p 杂化之间的竞争相关联。
$V$ 主要由杂化相关的屏蔽和结构紧凑性决定，而非轨道局域化。
$J$ 几乎完全受过渡金属离子的内在原子属性支配，因为 cRPA 对该参数的屏蔽作用很弱。

研究结论认为，这种物理启发式机器学习框架为识别关联氧化物中的描述符-属性关系提供了一条实用的途径，并提供了显式的解析公式，使其无需访问原始训练数据或复杂的 cRPA 计算即可应用于新材料。

类似论文