Pressure-transferable universal machine-learning potentials: the WBM-MatPES benchmark and Tuga-FF
本文介绍了用于系统评估高压下机器学习势函数的 WBM-MatPES 基准数据集，并提出了 Tuga-FF，这是一种图 Transformer 模型，通过在常压及高达 150 GPa 的极端压力条件下保持高精度，显著优于现有方法。
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
在探索新材料（从更强的合金到更高效的电池）的过程中，科学家们依赖于一种被称为密度泛函理论（density-functional theory）的强大工具。这种方法允许研究人员在计算机上模拟原子和电子的行为，预测一种材料将如何结合在一起、如何导电或如何对热做出反应。然而，这些模拟运行起来极其昂贵，通常需要超级计算机运行数天才能完成单次计算。为了加速这一过程，科学家们开发了机器学习模型作为“捷径”。这些人工智能系统通过对成千上万个现有计算进行训练，学习原子相互作用的规则，从而能够在不到一秒的时间内预测新材料的性质。多年来，这些捷径在常压条件下表现良好，但一个关键问题仍然存在：当环境发生剧烈变化时——例如在行星深处或工业反应器中那种极高的压力下——它们是否仍然值得信赖？
波鸿鲁尔大学的一个研究小组现在通过建立一个严谨的新测试场回答了这个问题。他们意识到，用于训练这些模型的标准数据往往是不一致的，就像一个图书馆里有些书是用一种方言写的，而另一些是用另一种方言写的，这会导致模型在受到极限挑战时产生累积的细微误差。为了解决这个问题，他们创建了一个庞大且统一的数据集，名为 WBM-MatPES。这个集合包含了 182,000 个晶体结构，所有结构都使用一套单一且一致的规则进行了重新计算，该规则纠正了描述原子时已知的错误。除了这个数据集，他们还构建了两张不同的稳定性“地图”（即凸包，convex hulls），作为参考基准真相。其中一张地图基于一个广泛使用的数据库，而另一张则更深、更全面，源自更大规模的重新计算结构集合。这种设置使他们能够测试一个模型是否能正确预测材料是保持稳定还是会解体，不仅是在常温下，而且是在极端压力下。
研究人员利用这个新的基准测试，对五个使用经修正数据训练的现有机器学习模型进行了测试。在常压下，这些模型的表现相当不错，彼此之间的误差很小。然而，当压力增加到 150 吉帕斯卡（相当于地球地幔深处的压力）时，这些既有模型的性能崩溃了。它们的预测变得极其不准确，误差增加了十三倍。一些模型预测原子胞会过度收缩并坍塌，而另一些模型则未能正确捕捉能量变化。研究表明，这些模型的失败并非源于其内部设计，而是因为在训练期间，它们从未见过足够多在高压压缩下的材料示例。它们本质上是在一个从未涉足过的领域进行盲目猜测。
为了解决这个问题，该团队开发了一个名为 Tuga-FF 的新模型。与之前的模型不同，Tuga-FF 是在一个更大且更多样化的数据集上进行训练的，该数据集不仅包括标准材料，还包括高压下的结构以及不同维度的结构。在测试中，Tuga-FF 证明了其卓越的稳健性。在常压下，它是最准确的模型，误差率仅为每原子 13.6 毫电子伏特。更重要的是，当压力提升至 150 吉帕斯卡时，Tuga-FF 依然保持了其精度，误差仅为每原子 21 毫电子伏特。当其他模型甚至难以找到正确的原子胞形状时，Tuga-FF 仍能高保真地预测体积和能量。研究人员发现，成功的关键不在于更复杂的数学结构，而仅仅在于加入了高压示例。
这项工作表明，机器学习模型的可靠性完全取决于喂给它们的数据的多样性。一个在平静环境下表现完美的模型，在条件改变时可能会发生灾难性的失败，仅仅是因为它没有学会那个新环境下的规则。通过提供一个一致的数据集和一个跨越常压到极端压力的挑战性基准，作者为科学界提供了一种衡量和改进这些工具的清晰方法。结果表明，要构建能够探索材料行为全范围的真正通用模型，研究人员必须确保其训练数据覆盖了他们打算模拟的所有条件图谱。新的 Tuga-FF 模型作为一个概念验证，展示了只要拥有正确的数据，机器学习即使在最极端的环境下也能保持准确。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。