📄 化学

TASTET: a Python package for geometry-driven selection of representative atomistic structures from large configurational spaces

本文介绍了 TASTET，这是一个利用几何驱动的空间填充算法从大型构型系综中高效选择多样化且具有代表性的原子结构子集的 Python 软件包，从而在不依赖先验能量估计的情况下，实现从高成本第一性原理计算中获取的信息量最大化。

原作者： Alejandro Cañete-Arché, Ana McGinley, Pablo Castro-Latorre, Graeme W. Watson, Max García-Melchor

发布于 2026-10-07

📖 1 分钟阅读☕ 轻松阅读

原作者： Alejandro Cañete-Arché, Ana McGinley, Pablo Castro-Latorre, Graeme W. Watson, Max García-Melchor

原始论文采用 CC BY 4.0 许可（https://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

在化学和材料科学领域，研究人员不断尝试理解原子如何排列组合以创造出具有特定性能的新分子或新材料。为了实现这一目标，他们使用基于量子力学定律的强大计算机模拟，这些模拟能够预测一种结构在不进行实验室构建的情况下将如何表现。然而，这些计算极其耗费资源。单次模拟在超级计算机上可能就需要数小时甚至数天的时间。当科学家探索一个新系统时，他们通常会生成成千上万种潜在结构——即原子排列的不同方式——因为他们并不知道哪一种是最稳定或最有效的。由于计算量巨大，试图对所有这些可能性进行详细、高精度的计算通常是不可能的。

传统的解决方案是根据粗略、低成本的能量估算来猜测哪些结构值得研究。其基本理念是，最稳定的结构将具有最低的能量，因此科学家会过滤掉其余部分，仅对最有潜力的候选者进行详细计算。但这种方法存在一个隐藏的缺陷：它假设低成本的猜测足以区分一个真正独特的结构与一个微小的变体。如果猜测是错误的，或者忽略了某种微妙但重要的几何差异，研究人员可能会将有限的计算资源浪费在冗余的结构上，同时错过了他们真正需要寻找的构型。因此，挑战不仅在于减少结构的数量，还在于挑选出一个能够捕捉到全部多样性的具有代表性的少量样本，确保没有任何重要的原子景观区域被遗漏。

一个研究团队开发了一种新方法来解决这个问题，将关注点从能量估算转向了分子的实际形状。他们创建了一个名为 TASTET 的软件工具，作为这些庞大原子结构集合的智能过滤器。该软件不再询问“哪一个看起来能量最低？”，而是询问“哪一个看起来与其他结构最不同？”它将选择过程视为一个几何问题。程序会分析结构中每个原子的局部邻域，绘制出原子相对于彼此的位置图。然后，它通过比较这些地图，在整个集合中衡量每个结构与其他结构之间的相似性或差异性。利用一种旨在均匀填充空间的数学策略，该软件会选择一组在形状上尽可能远离彼此的结构子集。这确保了最终的组别能够覆盖可能性的整个范围，从最紧凑的排列到最伸展的排列，而不会在重复项上浪费资源。

研究人员在两种截然不同的系统中测试了这种方法，以观察它是否能处理现实世界化学的复杂性。第一个测试涉及一个含有铑金属原子的柔性分子，周围环绕着一个大型有机配体。由于配体可以以多种方式扭转和旋转，计算机为这单个分子生成了近 950 种不同的形状。研究人员希望看看能否利用极小的计算预算找到最重要的形状。他们使用 TASTET 仅选择了 28 个结构，仅占总数的 3%。当他们对这 28 个结构进行昂贵的高精度计算时，结果揭示了整个能量景观的主要模式。他们发现，绝大部分的能量差异仅源于四种特定的扭转运动。通过专注于这个规模虽小但具有多样性的群体，他们在无需计算其他 921 个结构的情况下，成功找回了最重要的能量区域。当他们将此与传统的基于低成本能量估算的过滤方法进行比较时，发现旧方法无法捕捉到同样的差异性，往往会选中许多本质上形状相同的结构，从而错失了一些后来证明很重要的结构。

第二个测试进一步推进了该方法，从单个分子转向了位于固体表面上的金属原子簇。这是催化领域中常见的设置，即利用材料来加速化学反应。研究人员为位于氧化锌表面的十二个铜原子簇生成了包含 10,000 种不同排列的庞大集合。在这种情况下，结构是由一种使用机器学习模型来预测能量的高级搜索算法生成的。传统方法会选择机器学习模型预测具有最低能量的结构。然而，研究人员发现，该机器学习模型的准确度不足以可靠地做出此类决策。当他们基于 TASTET 的几何多样性原则选择了 30 个结构，并使用高精度方法计算其真实能量后，他们发现了一个惊人的偏差。机器学习模型认为最好的那个结构，在精确计算下实际上排名第九，而真正的最佳结构在模型中的排名仅为第 28 位。模型的误差如此之大，以至于标准的能量过滤器会完全错过那个最佳结构。

通过依赖几何形状而非有缺陷的能量预测，研究人员能够从总池中选出极小的一部分——仅占 0.3%——且仍能包含完整的结构行为范围。他们发现，最稳定的结构是那些金属簇平铺在表面上的结构，而不太稳定的结构则是高瘦站立的结构。这种清晰的形状与稳定性之间的关系之所以能显现出来，仅仅是因为该选择方法没有向机器学习模型错误的能量预测产生偏见。这项研究表明，当高精度计算对于所有对象都过于昂贵时，分配有限资源的最佳方式是确保所选样本具有几何多样性。这种方法允许科学家探索完整的可能性景观，即使在初始猜测并不完美的情况下，也能揭示结构与能量之间的真实关系。TASTET 工具目前已作为开源软件发布，为研究人员提供了一种实用的方式，让他们在复杂的化学空间中航行，而不至于迷失在冗余数据中，或依赖不可靠的捷径。

技术摘要：TASTET —— 基于几何驱动的代表性原子结构选择方法

问题陈述
现代原子尺度工作流会生成庞大的分子与材料结构系综，然而，第一性原理方法（如密度泛函理论，DFT）的高昂计算成本限制了仅能对其中极小部分的候选结构进行评估。目前的下行筛选策略通常依赖于来自力场、半经验方法或机器学习代理模型的能量估计来优先排序候选对象。作者认为，这些基于能量的方法在本质上是在优化能量排序，而非实现构型空间的代表性覆盖。因此，这些方法存在丢弃结构迥异但可能在低水平理论下能量不利的构象的风险，而这些构象对于理解化学性质至关重要；同时，它们可能会保留那些占据相似空间区域的冗余结构。此外，代理模型的准确性往往不足以可靠地预测进行最终结构选择所需的能量排序，从而导致采样系综中可能出现偏差。

方法论
本文介绍了 TASTET（通过高效分选进行原子结构选择的工具），这是一个开源 Python 软件包，它实现了一个基于几何驱动的框架，用于从大规模构型系综中选择具有结构多样性的子集。该工作流通过三个主要阶段进行：

局部环境编码： 使用平滑原子位置重叠（SOAP）描述符对结构进行表征。该方法将局部化学环境编码为旋转、平移和置换不变的向量。该框架支持多通道表示，允许使用不同的超参数来描述结构的不同区域（例如金属中心与配体），然后通过元素级乘积或算术平均值进行组合。
全局相似性构建： 将局部描述符聚合为全局结构层级的相似性核（kernel）。该软件包利用已建立的聚合方案，包括平均核（average kernel）和正则化熵匹配（REMatch）核，来量化整对结构之间的相似性。
空间填充采样： 一旦建立了核表示，便使用空间填充算法（具体为最远点采样，FPS 和 k-medoids）来探索构型空间。这些算法选择能够使所选点在核诱导度量空间中的最小距离最大化的子集，从而确保广泛的覆盖并减少冗余。

超参数优化
该框架包含一个用于调节 SOAP 和核超参数的机制。

监督模式： 当存在目标属性（如 DFT 能量）时，通过最大化结构核与属性核之间的中心核对齐（CKA）来优化超参数。
无监督模式： 在缺乏目标属性的情况下，选择过程由核诱导的成对距离分布引导，旨在获得一种既能区分有意义的几何异质性，又不会放大微小几何噪声的分辨率。

关键结果
TASTET 的有效性通过两个截然不同的案例研究得到了验证：

案例研究 1：Rh 复合物构象景观：
- 数据集： 具有位阻较大的二膦配体的 Rh 复合物的 949 个构象。
- 过程： 通过 FPS 进行的初始无监督选择提取了 28 个结构（系综的 3%），恢复了构象景观的主要能量区域。
- 精炼： 在获得这 28 个结构的 DFT 能量后，通过监督式超参数优化（最大化 CKA）对表示进行了精炼。剩余的计算预算被分配到全局探索、区域精炼或局部邻域采样中。
- 对比： 使用通用力场（UFF）的传统基于能量的筛选导致了结构冗余的选择，并且无法可靠地预测 DFT 能量排序，即使在较宽的能量窗口内也是如此。
案例研究 2：氧化物支撑的纳米团簇：
- 数据集： 通过基于第一性原理能量表达式的全局优化（GOFEE）生成的 10,000 个配置在 ZnO(10–10) 表面上的 Cu12 纳米团簇。
- 过程： 在经过 CKA 优化的表示上，使用 FPS 进行了基于几何的选择，选出 30 个结构（系综的 0.3%）。
- 发现： 对该子集进行高精度 DFT 计算显示，代理模型预测的能量排序与实际 DFT 排序之间存在显著差异（Spearman 秩相关系数 $\rho = 0.06$ ）。代理模型预测的全局最小值在 DFT 能量中排名第 9，而 DFT 的全局最小值在代理模型排名中仅为第 28 位。
- 见解： 基于几何的选择成功捕捉到了多样化的形貌和能量（跨度约为 3.5 eV），而无需依赖可能不准确的代理能量排序。它揭示了团簇对表面的润湿程度与稳定性之间的明确相关性。

意义与主张
论文指出，代表性结构的选择应当被视为构型空间中的覆盖问题，而非能量过滤问题。TASTET 的主要意义在于：

将选择与能量解耦： 它允许独立于近似能量模型进行系统性的多样化结构选择，从而避免了由不准确的代理预测引入的偏差。
最大化信息增益： 通过优先考虑几何多样性，该框架确保了有限的第一性原理计算预算被用于提供关于构型景观最新信息的结构。
提供通用框架： 该方法论可跨越多种化学多样性系统进行迁移，从柔性分子构象到无机纳米团簇，并能自然地与现有的结构生成工作流（如 CREST、GOFEE）对接。

作者承认了局限性，指出该方法无法恢复输入系综中不存在的构型，且 SOAP 描述符可能无法区分对映异构体或某些特定的局部环境。此外，由于选择是在未弛豫的结构上进行的，这意味着初始系综中的几何相似性并不保证在弛豫后的性质上也具有相似性。尽管存在这些约束，TASTET 仍为将代表性结构选择集成到计算材料与分子科学工作流中提供了一个用户友好的开源工具。

类似论文