🔬 materials science

Small-supercell and Small-dataset Training Strategy of Machine Learning Interatomic Potentials for Point Defects

本文提出了一种计算高效的机器学习原子间势函数训练策略，该策略利用源自小超胞有限密度泛函理论（DFT）计算的小型数据集，并结合多尺寸缺陷及纯净体相数据，旨在以极小的误差准确预测大规模系统中的点缺陷性质。

原作者： Zhenxing Dai, Mingjue Ni, Xinpeng Li, Menglin Huang, Anderson Janotti, Shiyou Chen

发布于 2026-09-22

📖 1 分钟阅读☕ 轻松阅读

原作者： Zhenxing Dai, Mingjue Ni, Xinpeng Li, Menglin Huang, Anderson Janotti, Shiyou Chen

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

在驱动我们现代世界的固体材料内部——从手机中的硅芯片到屋顶上的太阳能电池——微小的缺陷决定了性能。这些被称为点缺陷（point defects）的缺陷，本质上是晶体有序网格中缺失或错位的原子。尽管它们是微观层面的，但其影响却是宏观的；它们决定了半导体导电性能的好坏，或者决定了光能转化为电能的效率高低。几十年来，科学家们一直依赖基于量子力学定律的复杂计算机模拟来理解这些缺陷。这些模拟就像一台数字显微镜，让研究人员能够观察当缺陷存在时，原子是如何移动以及能量是如何变化的。然而，这台数字显微镜的使用成本极高且速度极慢。为了获得准确的结果，特别是对于带有电荷的缺陷，模拟必须对大量的原子进行建模——通常是数百个甚至数千个——以避免由计算机模型边界引起的人为误差。这一要求使得研究这些在实际功能中发挥作用的大型、真实系统几乎变得不可能。

一种新的方法已经出现，可以加速这些计算：机器学习原子间势（machine learning interatomic potentials）。可以将它们想象成智能捷径。与其每次都求解沉重的量子方程，不如让计算机程序通过一小组高质量的示例来学习原子相互作用的规则。一旦训练完成，该程序就可以在极短的时间内，以近乎完美的准确度预测大规模系统中原子的行为。然而，挑战在于，训练这些程序通常需要一个庞大的数据库，其中涉及数以千计的高昂模拟成本。这对于带电缺陷尤其困难，因为为了避免误差，需要巨大的原子模型，这使得收集数据变得极其昂贵。复旦大学和特拉华大学的研究人员现在开发出了一种方法，可以使用通常所需数据的极小部分来训练这些机器学习模型，证明了通过一小组精心挑选的示例，就能教会计算机预测更大系统中缺陷的行为。

团队专注于一种特定的策略，以观察他们是否可以在没有通常规模的数据量的情况下构建可靠的模型。他们选择了三种不同的材料作为测试对象：氮化镓、二氧化硅和一种用于太阳能电池的铜基化合物。对于每种材料，他们研究了特定的缺陷，例如缺失的氮原子或错位的铜原子，并处于各种电荷状态。他们的目标是观察能否仅使用包含不到一百个原子的几个小型原子模型来训练机器学习模型，并让该模型能够准确预测包含超过两百个原子的更大模型的行为。他们测试了向计算机输入数据的两种不同方式。在第一种方法中，他们仅提供来自不同尺寸的小型模拟中的缺陷原子数据。在第二种方法中，他们加入了来自相同材料的完美、无缺陷部分的数据，以帮助计算机理解背景环境。

结果揭示了关于这些数字捷径如何学习的清晰教训。当研究人员使用来自单一尺寸原子模型的数据来训练模型时，当被要求预测更大系统的行为时，该程序表现得非常糟糕。能量预测的误差巨大，有时甚至达到数十电子伏特，这在原子物理学领域是一个巨大的错误。计算机只是简单地记住了那个特定小模型的特性，而不是学习了底层的物理规律。然而，当训练数据包含了来自几种不同尺寸的小型模型时，模型预测大型系统的能力得到了显著提升。通过观察缺陷在小集群、中型集群和稍大集群中的行为，计算机学会了识别那些不随系统大小改变而改变的模式。这使得它能够对包含超过两百个原子的系统做出准确预测，在许多情况下，能量误差降到了小于 0.3 电子伏特。

将完美的、无缺陷的材料加入训练数据为模型提供了额外的助力，对于低电荷缺陷尤其如此。这种额外的信息帮助模型理解了围绕在缺陷周围的稳定、不受干扰的环境，使其预测更加可靠。然而，这项研究也强调了这种效率的局限性。对于具有极高电荷的缺陷，仅仅使用小型模型并加入完美材料是不够的。这些高电荷系统中的长程电场力非常强大，模型仍然需要看到更大规模的带电缺陷系统示例才能学习正确的行为。如果没有这些较大的示例，预测将保持不稳定。

这项工作为想要使用机器学习研究缺陷、而不愿等待超级计算机完成数年计算的科学家们提供了一个实用的路线图。它表明，你不需要一个庞大的数据集来获得好的结果，你需要的是一个聪明的数据库。通过仔细挑选来自不同尺寸的少量示例，并混合完美材料的数据，研究人员可以训练出足以模拟大规模缺陷的模型。这种方法使得研究控制着我们日常电子和光学设备性能的微观缺陷变得可行，将一个在计算上几乎不可能完成的任务变成了一个可以处理的任务。

技术摘要：用于点缺陷模拟的机器学习原子间势（MLIP）小超胞与小数据集训练策略

问题陈述
机器学习原子间势（MLIPs）为模拟大规模材料系统提供了一条具有近乎第一性原理精度的路径，显著加速了点缺陷研究。然而，训练可靠的用于缺陷（特别是带电缺陷）的 MLIPs 传统上需要大量的密度泛函理论（DFT）数据集。这是因为带电缺陷需要大型超胞（通常包含数百个原子）来减轻有限尺寸效应和长程库仑相互作用。此外，依赖于有限截断半径内局部原子环境的标准 ML-IP 难以显式表示长程静电作用。因此，基于小超胞训练的模型往往无法准确外推到更大的系统，而是学习了源自参考 DFT 数据中固有的有限尺寸误差，而非真实的物理行为。挑战在于开发一种既能利用有限 DFT 数据和小超胞，又能保持对更大缺陷系统预测能力的训练策略。

方法论
作者提出了一种针对中性及低电荷点缺陷的高效训练方案，该方案使用小于 100 个原子的实小超胞以及极少量的 DFT 计算。研究重点关注了三种具有不同化学复杂度和键合环境的代表性半导体系统：氮空位（ $V_N$ ）在氮化镓（GaN）中、 $V_O$ 在二氧化硅（ $SiO_2$ ）中，以及铜锌反位（ $Cu_{Zn}$ ）在铜锌锡硫化合物（ $Cu_2ZnSnS_4$ ）中。

关键方法组成部分包括：

数据生成： 训练数据集由仅四个 DFT 结构优化过程的弛豫轨迹构建而成。对于中性系统和取代型缺陷，弛豫从未弛豫的构型开始；对于带电空位，弛豫从其对应中性态的优化平衡结构开始，以更好地模拟结构演化。
训练方案： 对比了两种不同的策略：
1. 仅缺陷方案（Defect-Only Scheme）： 训练集仅包含从 DFT 轨迹中采样的带电缺陷构型，采用增量式多尺寸超胞方法（例如，依次添加 15、31、63 和 95 个原子的超胞）。
2. 缺陷+基体方案（Defect+Host Scheme）： 该方案保留了多尺寸带电缺陷数据，同时添加了尺寸匹配的中性、无缺陷基体超胞构型，以约束局部原子环境。
模型架构： 使用 Allegro 软件包为每种特定的缺陷类型和电荷态训练独立的 MLIP，以避免不同势能面之间的映射冲突。模型使用 6 Å 的截断半径、最高至 $l_{max}=2$ 的球面谐波展开以及完整的 $O(3)$ 宇称对称性。
评估： 将训练好的模型集成到 LAMMPS 中以评估其外推能力。通过将 MLIP 预测的总能量和结构弛豫（以均方根位移 RMSD 衡量）与更大超胞（最多 323 个原子）中的 DFT 参考结构进行比较来评估性能。

关键结果

中性缺陷： 基于有限小超胞数据训练的标准 MLIP 在中性缺陷方面表现出鲁棒的尺寸可迁移性。结构预测（RMSD）保持稳定（通常 < 0.02 Å），且即使外推到显著更大的超胞，能量误差也通常保持在 0.3 eV 以下。
带电缺陷（仅缺陷方案）：
- 仅基于单一小超胞尺寸进行训练会导致在外推到更大系统时发生灾难性失败（例如， $Cu_2ZnSnS_4$ 中的 $Cu_{Zn}$ ，能量误差达到数十 eV）。
- 纳入来自多种小超胞尺寸的缺陷构型可显著提高性能。例如，包含 15、31、63 和 95 原子构型降低了 GaN 中 $V_N^+$ 在 255 原子测试胞中的能量误差。
- 然而，能量和结构误差的收敛并不总是单调的；添加中间尺寸并不保证立即改善，且某些系统（如 $SiO_2$ 中的 $V_O^{2+}$ ）需要包含最大的可用训练超胞才能实现低误差。
带电缺陷（缺陷+基体方案）：
- 添加尺寸匹配的中性基体数据可显著降低低电荷缺陷（如 $V_N^+$ 、 $Cu_{Zn}^-$ ）的能量误差，即使与“仅缺陷”方案相比，也能在更小的训练集下将误差降至 0.1–0.3 eV 范围。
- 对于高电荷缺陷（如 GaN 中的 $V_N^{2+}$ 、 $V_N^{3+}$ ，以及 $SiO_2$ 中的 $V_O^{2+}$ ），仅靠添加中性基体数据不足以确保稳定的跨尺寸预测。虽然有所帮助，但要实现高电荷态的可靠外推，仍需在训练集中包含较大的带电缺陷超胞以获得可靠结果。

意义与主张
本文声称为构建可靠且计算成本低的缺陷 MLIP 模型提供了实践指导。作者证明，虽然标准 MLIP 无法显式建模长程静电作用，但通过精心设计的数据集组成，其外推能力可以得到显著增强。具体而言，研究确立了以下几点：

训练数据集可以仅通过四个 DFT 结构弛豫来构建。
多尺寸训练数据对于带电缺陷至关重要；单尺寸训练无法实现泛化。
纳入中性的原始基体构型可进一步优化低电荷态的精度。
尽管有这些改进，标准 MLIP 的实际局限性在处理高电荷缺陷时仍然存在，此时有限尺寸效应占主导地位，必须在训练集中包含较大的带电缺陷超胞才能获得可靠结果。

这项工作阐明了数据集大小、组成与模型性能之间的权衡，为在不产生大规模 DFT 数据集的沉重负担下，将基于 MLIP 的模拟扩展到更广泛的缺陷研究提供了一种高效的策略。

类似论文