When do machine-learning potentials need a configuration-dependent kernel? Learning long-range interactions with Fourier neural operators
本文表明，虽然对于均匀系统而言，与构型无关的核函数已足够，但当屏蔽介质是不均匀时，傅里叶神经算子（FNOs）对于准确捕捉机器学习势能中的长程相互作用是必要的，因为它们能够独特地学习建模远程调制效应所需的与构型相关的耦合。
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
在原子的微观世界中，力并不总是止于邻居的门槛。虽然有些相互作用既短促又简单，但另一些则可以跨越遥远的距离，穿透整个材料，影响着远处的原子行为。这在水等液体或由带电离子组成的固体晶体中尤为明显，因为一个粒子的电性引力可以通过介质产生涟漪，进而影响容器另一侧的另一个粒子。几十年来，科学家们一直依赖计算机模型来模拟这些材料，但标准的模型往往难以处理这些长程连接。它们就像是那些只听得见身边人说话的人，会错过从房间另一头传来的低语。为了解决这个问题，研究人员尝试在他们的模型中加入一个“长程”模块，通常是假设电场力遵循一个简单的、不变的规则，就像重力无论天气如何总是在向下牵引一样。但在现实世界中，环境是变化的；材料可以根据周围环境的不同，以不同的方式屏蔽或阻挡这些力，这使得简单的规则显得力不从心。
比利时鲁汶大学（UCLouvine）的一个研究小组开发了一种新方法，教计算机如何处理这些复杂且不断变化的远程力。他们并没有硬编码一套关于原子如何在距离之外进行交流的固定规则，而是构建了一个能够学习规则本身的系统，使其能够适应自己所处的特定环境。他们将这个被称为“傅里叶神经算子”（Fourier neural operator）的系统应用于各种挑战，从合成的类盐类流体到真实的材料，如液态水以及坐落在氧化镁表面的金团簇。他们的工作表明，当环境均匀时，一个简单的固定规则就足够好了。然而，当环境变得杂乱或不均匀时——例如，材料的不同部分对电场力的屏蔽程度不同时——只有一种灵活的学习系统才能准确掌握物理规律。
研究人员首先创造了一个合成的带电粒子世界来测试他们的想法。在这个受控的环境中，他们可以调节粒子相互屏蔽的强度，模拟从几乎空旷的自由力空间到力迅速衰减的稠密拥挤介质等各种情况。他们将这个新的学习系统与使用固定预设规则处理这些长程相互作用的旧方法进行了对比。在均匀情况下（即屏蔽在各处都相同），新系统表现得与旧的固定规则方法一样出色，能够准确预测原子间的能量和力。这证实了新方法可以在不需要预先告知答案的情况下，学会标准的物理规律。
真正的考验出现在研究人员引入“不均匀屏蔽”时，即材料阻挡或传输力的能力随位置而变化的情况。想象一下一个拥挤的人群，有些区域挤满了人，阻挡了声音，而有些区域则是空的，让声音传播得很远。在这种不均匀的环境中，两个遥远原子之间的相互作用不仅取决于原子本身，还取决于它们之间材料的具体排列方式。研究人员发现，依赖固定规则的旧方法无法捕捉到这种细微差别。它们无法根据原子之间变化的“人群”来调整自己的“倾听”方式。相比之下，使用非线性方法来适应规则的新型学习系统成功追踪了这些变化。与固定规则模型相比，它将预测原子力的误差降低了近一半。该系统学到了：两个遥远原子之间的连接不是一条静态的线，而是一种随着周围介质重新排列而变化的动态关系。
为了证明这不仅仅是合成数据的结果，团队将该方法应用于三种真实材料：液态水、一种用于电池的固体电解质锂镧锆硅酸盐，以及一个位于晶体表面上的由两个金原子组成的微小团簇。在液态水和电池材料的案例中，新系统的准确度达到了现有最佳方法的水准，证明了它是模拟标准块体材料的可靠工具。然而，金团簇实验提供了对其强大能力的更有力的证据。在这种设置下，金原子坐落在其深处埋藏着铝杂质的表面上，这些杂质距离表面超过十个埃（angstrom）。这些遥远的杂质改变了电子环境，从而改变了金团簇的偏好：在洁净环境中它倾向于直立站立，而在存在铝的情况下则倾向于平躺。只关注直接邻居的标准模型完全忽略了这种转变。固定规则的长程模型虽然部分做对了，但仍存在显著误差。而新的学习系统则以极高的精度捕捉到了这种微妙的反转，预测其偏好变化的误差每单元小于五千分之一电子伏特。
研究结论指出，当材料屏蔽力的能力随空间变化时，对灵活、基于学习的方法的需求便产生了。如果环境是均匀的，一个简单的固定规则就足够了。但一旦屏蔽介质变得不均匀，远距离原子之间的连接就会取决于它们之间材料的具体构型。研究人员展示了他们的系统如何仅利用模拟中的能量和力数据，就能学会这种复杂的、依赖于构型的行为，而无需被明确编程输入屏蔽物理学。这为模拟那些因电荷转移、界面或缺陷而产生复杂长程相互作用的挑战性材料提供了一条强大的新路径。这项工作表明，对于最具挑战性的材料科学问题，未来的关键不在于编写更好的规则，而在于教会计算机如何去发现规则本身。
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。