Linear response for machine-learned interatomic potentials: phonons at arbitrary wave vectors from the primitive cell

固体并非看起来那样是僵硬、不变的块体。即使是在像钻石一样坚硬或像铅一样柔软的晶体中，原子也在不断地振动，以一种复杂的、集体性的节奏进行着跳动。这些被称为“声子”的振动，是材料的心跳。它们决定了固体在受热时如何膨胀，如何导电，甚至决定了它是否能成为超导体（无电阻地携带电流）。为了理解这些性质，科学家必须绘制出晶体的“音乐”图谱：即原子振动的特定频率以及这些振动在材料中传播的速度。几十年来，实现这一目标的标准方法是在计算机模拟中构建一个巨大的、人工合成的晶体版本，轻微推动原子，然后观察它们如何回弹。这种方法虽然有效，但就像试图通过录制整个大厅里的整个管弦乐队来听清其中的一个音符一样；它既缓慢，又因为大厅的大小限制了声音的清晰度。

鲁尔大学波鸿分校研究人员的一项新研究提供了一条不同的路径，一条能够穿透噪音直接聆听音乐的路径。由 Thalis H. B. da Silva、Hai-Chen Wang 和 Miguel A. L. Marques 领导的团队开发出一种方法，可以精确计算这些原子振动，而无需构建已成为常态的庞大人工晶体结构。他们将这种方法应用于被称为“机器学习原子间势能”的新一代计算机模型。这些模型经过大量数据的训练，用以预测原子如何相互作用，并且正成为发现新材料的首选工具。然而，由于这些模型非常先进，它们依赖于来自相距甚远的原子信息，这拉伸了传统“巨大大厅”方法的极限。研究人员表明，通过将振动视为在晶体最简单的基本单元中流动的波，他们可以计算出整个材料的精确行为，无论原子之间的影响范围有多远。

问题的核心在于这些现代计算机模型的工作方式。它们的构建类似于一系列层级，每一层将信息传递给下一层，非常像“传声筒”游戏。在这些模型最深层且最准确的版本中，信息可以在长达 140 埃的距离内传播——这在原子尺度上是一个巨大的范围。为了捕捉这种全范围的影响力，使用旧方法，科学家需要构建一个包含数千个原子的模拟单元。由于所需的计算能力极其庞大，这通常是不可能的。当研究人员被迫使用较小的单元时，他们实际上切断了长程相互作用，从而引入了难以察觉的误差。在某些情况下，这些误差很小，但在另一些情况下，它们是灾难性的，会导致计算机预测一个稳定的材料实际上是不稳定的并会发生崩塌，而实际上该材料是完全正常的。

研究人员通过彻底改变视角解决了这个问题。他们不再构建一个巨大的单元并推动它，而是提出了一个不同的问题：如果让最小可能晶体单元中的原子以特定的波状模式进行微调，会发生什么？他们应用了一个数学技巧，类似于量子物理学中使用了数十年的技巧，即通过一个在原子之间平滑移动的相位来调制这种微调。这使得计算机可以通过观察极小的原始单元，来计算整个无限大晶体的响应。该方法是精确的。它并不近似处理长程力，而是无论这些力量延伸多远，都能精确计算它们。研究人员在两种不同类型的机器学习模型（一种称为 NequIP，另一种称为 Prophet）上测试了该方法，发现其新方法能够以计算机精度的极限重现大规模超胞计算的结果，且无需承受巨大的计算成本。

这种新方法的计算结果揭示了旧方法究竟遗漏了多少。当研究人员将他们的精确计算与包括硅、钻石和一种名为高岭石的复杂矿物在内的各种材料的标准超胞法进行对比时，差异是惊人的。对于像硅这样高度对称的简单晶体，旧方法的误差虽小但可测量，频率偏差约为 0.3 到 0.7 太赫兹。对于对称性较低的复杂物质高岭石，误差则非常巨大，达到了 3.4 太赫兹。更令人担忧的是，旧方法预测高岭石具有“虚数”频率，这是一个数学信号，表明该材料在动力学上是不稳定的，将会发生坍塌。新方法显示不存在这种不稳定性，证明了旧方法制造了一个假警报。误差并非源于机器学习模型本身，而是源于计算振动的方式。

这项工作的意义不仅在于获得正确的频率数值。许多重要的材料特性不仅取决于振动的音调，还取决于这种音调在穿过晶体时如何变化。这些导数决定了群速度，即热量在材料中传播的速度。研究人员发现，即使旧方法在特定点得到了正确的频率，它在计算速度方面也表现得很糟糕。对于硅，使用旧方法计算出的群速度在接近 7% 的误差范围内，即便是在频率完全正确的情况下也是如此。这是因为旧方法依赖于连接几个计算点，如果点与点之间距离过远，所画出的线条就是错误的。新方法直接计算斜率，从而在不需要猜测的情况下提供准确的速度。这种准确性对于预测热导率至关重要，而热导率对于设计更好的电子设备和散热系统至关重要。

此外，新方法允许科学家计算这些振动在材料被挤压或拉伸时如何变化，这一性质被称为格吕奈森参数（Grüneisen parameter）。这对于理解热膨胀（即为什么材料受热后会变大）至关重要。旧方法需要计算略微不同体积下的振动并进行比较，如果两个不同模式的振动发生交叉，这个过程就会出错。新方法通过解析方式计算变化，从而完全避免了这一陷阱。在硅的案例中，旧方法预测的低温度热膨胀比实际大三到四倍，而新方法则正确重现了硅在从绝对零度加热到约 18 开尔文过程中所经历的细微收缩。

研究人员还考察了工作成本。对于具有高对称性的材料（如钻石或硅），如果两者用于计算相同量的数据，新方法所需的时间与旧方法大致相当。然而，新方法有一个明显的优势：它不需要巨大超胞的内存。它仅使用最小单元运行，这意味着它可以在标准计算机上运行，而这些计算机会被旧方法处理深度模型时庞大的内存需求所压垮。对于没有对称性的材料（如复杂的高岭石），新方法实际上更慢，耗时是旧方法的五到六倍，但它是唯一能在不截断作用力的情况下获得正确答案的方法。权衡显而易见：旧方法更快但往往是错误的，尤其是在处理复杂材料或深度模型时；而新方法是精确且可靠的，尽管在特定情况下计算强度更高。

这项工作代表了我们模拟物理世界方式的一次重大转变。通过消除对人工、大规模超胞的需求，研究人员将模型的误差与计算的误差分离开来。过去，如果模拟给出了错误答案，人们无法判断是机器学习模型不好，还是计算方法有缺陷。现在，有了这个精确的参照，科学家可以确信模型正在执行其应有的功能。该方法不仅仅是一项理论上的改进；它已成为一种实用的工具，并已应用于真实材料，揭示了此前隐藏在视线之中的误差。随着机器学习模型变得越来越深、越来越复杂，其覆盖范围甚至超过了任何物理超胞所能容纳的范围，这种新方法确保了我们依然能够听到原子真实的“音乐”，而不受因房间过小而产生的失真影响。