Learning Between the Lines: Interaction Interpolation in a Multi Element Machine Learning Interatomic Potential

在材料科学领域，研究人员不断试图预测原子在结合形成固体时会如何表现。为了实现这一目标，他们经常依赖一种被称为“原子间势能”（interatomic potential）的数字工具。可以将这个工具想象成一套规则，它告诉计算机在特定的原子排列下，能量是如何储存的，以及原子之间相互推挤或拉扯的力量有多强。几十年来，生成这些规则最准确的方法是为每一种具体情况求解复杂的量子力学方程。虽然这种方法非常精确，但由于速度极慢，模拟一小滴液态金属可能需要数周时间。为了提高速度，科学家们转向了机器学习。这些计算机程序通过学习一个预先计算好的示例库，来近乎即时地预测新排列下的行为。然而，一个主要的障碍仍然存在：通常情况下，每当科学家想要研究一种特定的合金或化学混合物时，都必须从头开始构建一个新的机器学习模型。这造成了瓶颈，因为构建这些定制模型既昂贵又耗时。一个重大的问题一直是：是否可以有一个单一的、轻量级的模型，能够充分理解基本的相互作用规则，从而处理全新的元素组合，而无需从头开始重新训练。

洛斯阿拉莫斯国家实验室的一个研究小组通过开发一种用于金属合金的紧凑型通用模型，在回答这个问题方面迈出了重要一步。该模型并非试图记住每一种可能的原子组合，而是通过教导模型理解单个原子和原子对之间的基本相互作用，然后测试它是否能自主处理更复杂的群体。他们专注于十二种不同的金属元素，包括铝、钛、铜和钨。通过一种智能的、循序渐进的学习过程，他们向模型输入了单金属和简单双金属混合物的数据。随后，他们要求模型预测它从未见过的三金属甚至四金属混合物的行为。结果令人瞩目：仅在简单数据上训练的模型，成功且高精度地预测了这些复杂多金属系统的能量和稳定性。这表明该模型学会了“读懂字里行间”的含义，通过理解单原子或双原子如何相互作用，从而推断出三原子或四原子是如何相互作用的。

研究人员通过一种称为“主动学习”（active learning）的方法实现了这一目标，这就像是一个只有在真正遇到困难时才会寻求帮助的学生。系统并没有向计算机喂入数百万个随机示例，而是运行模拟，识别出它最不确定答案的时刻，然后请求一台强大的量子计算机来解决这些特定的难题。这些高质量的答案被添加到训练集中，过程循环往复。他们将这种学习组织成不同的阶段：从单金属开始，过渡到双金属，最后引入三金属。在一组实验中，他们将一个仅基于单金属和双金属数据训练的模型，与另一个也接触过三金属数据的模型进行了对比。令人惊讶的是，那个从未见过三金属数据的模型，在测试这些复杂混合物时表现得同样出色。该模型在预测这些未见过的三金属系统能量时的误差，与那些经过明确训练的模型几乎完全一致。这表明模型不仅仅是死记硬背了一套规则，而是很好地学习了底层的物理学，从而能够对它从未遇到的相互作用进行插值（interpolate），即填补空白。

这种方法的成功甚至延伸到了更深层次。团队测试了他们的模型是否能处理一种全新的元素——金，而金并不属于最初的十二种金属之列。他们只向模型提供了纯金原子的数据，没有任何关于金如何与其他金属混合的信息。当他们在金与其他十二种金属混合的情况下测试模型时，模型成功预测了这些新合金的行为。虽然预测并非完美无缺，但模型正确地对不同金混合物的稳定性进行了排序，并捕捉到了能量变化的总体趋势。这证明了该模型已经学习到了一种通用的原子相互作用语言，使其能够以极少量的额外数据，将其知识迁移到一种新的化学元素上。研究人员发现，该模型的泛化能力如此之强，以至于仅利用单金属和双金属的数据，就能预测四金属合金（即四元系统）的行为。

这项工作的意义对于材料设计的未来具有重大影响。目前，为一种新合金建立可靠的模型通常需要生成大量昂贵的数据，这限制了科学家发现新材料的速度。这项研究表明，一个规模更小、选择更精细的数据集或许就足够了。通过关注数据的多样性而非仅仅是容量，并确保模型学习单个原子及原子对之间的基本相互作用，科学家可以构建出既快速又具有广泛适用性的轻量级模型。研究人员指出，虽然他们的模型在许多场景下高度准确，但在涉及钒的特定组合时表现略显吃力，这凸显出尽管这种方法非常强大，但对于每一种可能的化学混合物而言，它尚未成为一个完美的解决方案。尽管如此，这些发现提供了一条切实可行的路径。它们表明，我们不需要庞大且笨重的数据库来理解复杂材料。相反，通过教会机器原子相互作用的基本语法，我们可以让它们自主编写复杂合金的故事，从而加速从航空航天工程到能源存储等各个领域的新型金属和合金的发现。