Understanding compression-extension error asymmetry in universal machine-learning interatomic potentials
这项研究表明，在多种材料和变形路径下，通用机器学习原子间势函数在压缩状态下的力误差一致高于拉伸状态下的力误差，这种偏差是由结构相对于训练数据分布的位移所驱动，而非仅仅由物理力的量级所驱动。
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
为了理解固体物质的行为，科学家们经常求助于一种被称为机器学习原子间势能（machine-learning interatomic potentials）的强大工具。可以将它们想象成高度复杂的计算器，这些计算器是基于庞大的量子物理数据库训练而成的。这些模型不再需要在每次想要了解原子如何运动时都去求解极其复杂的量子力学方程，而是利用从以往计算中学习到的模式，在瞬间预测原子之间的能量和作用力。这种速度使得研究人员能够模拟材料在长时间内对压力、热量或压力的反应，这对于设计从更强大的电池到更耐用的航空航天部件等各种产品至关重要。然而，这些模型并非完美无缺。它们是基于特定类型的数据进行训练的，当材料被推向远超其正常状态的极限——例如被拉得很薄或被挤压得很紧时——这些模型可能会出错。对于材料设计的未来而言，关键问题不仅在于这些模型是否会出错，还在于这些误差是否会根据受力的方向而表现出不同的行为。
一个研究小组致力于调查这些误差中一个特定的、持续存在的模式：即模型在材料受压与受拉时表现出的差异。他们检查了十一个不同的预训练机器学习模型，并在数千种独特的材料结构上对其进行了测试。这些结构来自两个不同的来源：一类源自对各种化学成分进行理论模拟的集合，另一类则取自现实世界的实验数据。研究人员使每种结构经历了一系列配对的形变，既有向内挤压以压缩它们，也有向外拉伸以延伸它们，形变程度从微小的 1% 变化一直到显著的 10% 变化。在这一过程的每一个步骤中，他们都将模型的预测结果与物理学的“金标准”进行对比，即使用密度泛函理论（density-functional theory）进行直接计算，这是一种通过求解基本量子力学方程来寻找真实能量和作用力的严谨方法。
结果揭示了一种清晰且一致的不对称性。在所有十一个模型和两类材料集合中，当结构被压缩时，预测误差明显大于被拉伸时的误差。在 10% 的压缩状态下，模型的准确度始终低于 10% 的拉伸状态。这并非微小的波动；在理论集合中，力预测的中位数误差在压缩状态下比拉伸状态下高出两倍多；而在实验集合中，误差则高出三倍多。研究人员发现，无论材料是被各向同性地挤压还是仅在一个方向上被拉伸，这一趋势都保持不变。即使体积变化量完全相同，模型在压缩状态下的表现也更为吃力。
为了理解发生这种情况的原因，团队不仅观察了误差的大小，还进行了更深入的研究。他们意识到，材料内部的物理作用力在压缩和拉伸过程中表现得也不同。当材料被压缩时，原子被强行推向彼此，由此产生的力增长速度远快于材料被拉伸时的增长速度。研究人员发现，压缩时较大的误差部分归因于这种物理力的激增；模型仅仅是在尝试预测一个更大的数值，而较大的数值自然会带来较大的误差范围。然而，这只是部分原因。即使在调整数据以使模型在相同的物理力水平下进行比较时，差异依然存在。模型在压缩状态下的准确度仍然较低，这表明该误差不仅仅是规模问题，而是模型处理挤压原子几何结构时的一个根本性问题。
这项研究将该问题追溯到了模型的训练环境。机器学习模型通过识别它们以前见过的原子排列模式来进行学习。研究人员发现，当材料被压缩时，原子会进入一种与其训练数据中典型排列方式相距甚远的构型。压缩结构正推向一个由短距离和拥挤环境组成的“禁区”，而模型很少遇到这些情况。这种几何上的偏离意味着模型正在超出其“舒适区”运行，从而导致了更大的错误。此外，模型用于描述原子的内部数学表示在压缩下也会发生更剧烈的偏移，从而在模型的理解与压缩状态的现实之间造成了更大的差距。
有趣的是，研究人员发现这种结构性的不匹配并不总是导致均匀的精度损失。在理论集合中，随着压缩程度的增加，模型的相对准确度实际上反而提高了，这意味着误差的增长速度慢于物理力的增长速度。然而，在实验集合中，模型却难以跟上步伐，其误差增长速度超过了物理力的增长速度。这种细微的差别表明，物理变化与模型性能之间的关系很大程度上取决于材料的类型和训练数据的质量。研究得出结论，为了构建能够模拟极端条件的更好模型，科学家必须密切关注材料在受挤压时的行为。他们需要确保训练数据包含足够多的关于这些拥挤、短距离原子排列的实例，这样模型在材料承受最剧烈压力时才不会出错。通过绘制出误差发生的精确位置和原因，研究人员为提高模拟可靠性提供了清晰的路线图，这将推动下一代材料发现的发展。
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。