Physics Informed Priors for Machine Learning Interatomic Potentials with Uncertainty Quantification
本文介绍了一种针对机器学习原子间势函数的误设定感知不确定性量化方案,该方案将用户定义的物理先验集成到模型集成中,在确保物理一致性的同时,降低了声子振动和弹性性质等应用中数据集构建的计算成本。
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
在探索材料行为规律的过程中,科学家们经常依赖强大的计算机模拟。为了高效运行这些模拟,他们使用被称为“原子间势能”(interatomic potentials)的简化模型。可以将这些模型想象成一套规则,告诉计算机原子之间如何推力和拉力,从而允许研究人员预测从金属弯曲到晶体熔化的各种现象,而无需为每一个原子去求解最复杂的量子物理方程。然而,这些简化规则绝非完美。它们是近似值,正因为是近似值,有时会导致模拟偏离轨道,例如预测一个稳定的材料会突然坍塌,或者一个原子的振动方式违背了物理定律。科学家的挑战不仅在于做出预测,还在于知道自己能多大程度上信任这个预测,尤其是当模型本身的逻辑设计可能存在根本性缺陷时。
一组研究人员开发了一种新方法来解决这个问题,即通过教导这些计算机模型在学习的同时尊重基本的物理定律。在最近的一项研究中,他们引入了一种类似于“安全网”的方法,确保计算机的预测保持在物理现实的范畴内。研究人员关注的是一种称为“不确定性量化”(uncertainty quantification)的技术,这本质上是让计算机模型能够表达:“我对这个答案不是完全确定的。”以往的方法虽然可以告诉模型其不确定性的程度,但往往无法阻止模型做出物理上不可能的预测,例如暗示晶格会以虚构的速度振动,或者固体材料具有负刚度。这种新方法结合了测量不确定性的能力与严格的物理规则,迫使模型在承认自身局限性的同时,绝不违反支配物质结合的基本原理。
这项工作的核心涉及一种被称为“机器学习原子间势能”(machine learning interatomic potential)的特定机器学习模型。这些模型是利用高度精确但极其缓慢的量子力学计算生成的数据进行训练的。目标是创建一个能够模仿这些缓慢计算过程的快速模型。然而,由于快速模型无法捕捉量子世界的每一个细节,它不可避免地会产生误差。研究人员使用了一种称为“逐点最优参数集回归”(Pointwise Optimal Parameter Set Regression)的方法,该方法生成的不是单一的“最佳”模型,而是一个由略微不同的模型组成的家族。这个模型家族有助于科学家理解可能的结果范围。直到现在,该方法的问题在于,这个家族中的某些模型可能会预测材料不稳定,或者原子的行为违背物理定律。这项研究通过在训练过程中加入一层约束解决了这个问题。这些约束充当了“护栏”,确保该家族中的每一个模型都遵循特定的物理事实,例如晶体必须具有稳定的形状,且其振动必须是真实的、可测量的量。
为了测试他们的想法,研究人员将此方法应用于铝(一种常见的金属)。他们在包含数千种原子构型的数据库上训练了模型。在一个实验中,他们专注于原子的振动,即“声子”(phonons)。在稳定的晶体中,这些振动必须具有实数频率;如果模型预测出虚数频率,则意味着晶体正在瓦解。研究人员发现,如果没有这些新的约束,标准方法产生的模型家族中,许多成员都会预测出这些不可能存在的虚数振动,暗示材料是不稳定的,而实际上它应该是固态。通过强制执行“振动必须为实数”这一物理规则,他们过滤掉了那些不可能存在的模型。结果是,预测结果保留了足够的确定性以反映模型的局限性,但在物理上是一致的。受约束的模型正确地预测了铝晶体将保持稳定,而未受约束的模型则经常失败。
团队还观察了材料在受到挤压或拉伸时的反应,这种性质由“弹性常数”(elastic constants)描述。他们训练了一个更复杂的神经网络模型(一种能够从数据中学习模式的人工智能),并应用了相同的物理约束。他们强制要求模型在极小的误差范围内,与已知的铝晶体尺寸和刚度实验值保持一致。这并不是强迫模型达到完美,而是引导模型保持在一个现实的范围内。当他们测试模型的其他属性时,例如缺失原子(空位)在晶体中移动的难易程度,他们发现约束并没有破坏模型预测这些新行为的能力。模型保持了足够的灵活性,既能学习原子运动的复杂细节,又被锚定在材料行为的基本事实之上。
这项工作的意义在于它能够平衡两个相互竞争的需求:模型需要承认自己不知道什么,以及模型永远不能说出物理上不可能的事实。过去,科学家必须在“一个虽然具有高度不确定性但物理上安全”的模型与“一个虽然精确但可能陷入荒谬”的模型之间做出选择。这种新方法让他们两者兼得。通过将物理定律直接构建在模型的学习方式中,研究人员确保了他们所测量的“不确定性”是有意义的。它告诉人们的是模型的“设计”缺失了多少,而不仅仅是数据的“噪声”有多大。这在模拟不同温度或压力下的材料时尤为重要,因为在这些情况下,微小的误差可能会导致关于材料是否熔化或断裂的巨大错误结论。
研究人员证明了他们的方法适用于不同类型的模型,从简单的线性方程到复杂的神经网络。他们展示了即使在训练数据有限的情况下,该方法也能通过依靠物理约束产生可靠的结果。例如,当他们模拟 200 开尔文下的铝时,未受约束的模型预测出了一个不符合晶体特征的混乱结构。然而,受约束的模型却维持了正确的晶体结构,并在原子排列上显示出清晰的峰值,这符合金属固体的预期特征。这表明该方法可以挽救那些原本会失败的模拟,让科学家能够进行更长、更复杂的实验,而不必担心模型会漂移到物理上的不可能状态。
最终,这项研究为设计材料的科学家提供了一个实用的工具。它提供了一种方法,将已知事实(如晶体尺寸或金属中的声速)直接纳入计算机模型的学习过程中。这减少了为了修复模型的某些基本错误而需要生成海量新数据的需求。与其不断向计算机喂食更多关于材料应如何表现的例子,科学家可以直接告诉计算机必须遵守的规则。这使得创建准确模型的过程变得更快、更高效。该方法具有灵活性,这意味着只要属性可以用数学规则进行描述并由计算机进行检查,它就可以应用于许多不同的材料和属性。
研究得出结论,虽然没有任何模型可以完美复制量子世界的复杂性,但我们可以构建出那些能够诚实面对自身局限性、且不牺牲物理现实性的模型。通过强制执行这些物理先验条件,研究人员创建了一个框架,在这里,不确定性不仅是对怀疑的度量,更是对模型设计与真实物理规律之间差异的度量,同时始终让预测保持在现实基础之上。这种方法为模拟复杂过程(如材料在应力下的变形或对极端热量的反应)提供了更可靠的途径,使科学家在设计未来材料时能够对结果拥有更大的信心。
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。