[论文解读] Ab Initio Generalized Langevin Equation

Pinchen Xie, Roberto Car+1 more|arXiv (Cornell University)|Nov 12, 2022

Machine Learning in Materials Science参考文献 11被引用 4

一句话总结

该论文提出了一种基于机器学习的新型方法——从头算广义朗之万方程（AIGLE），通过直接从从头算分子动力学中学习记忆核、噪声关联和力场，实现材料的高精度粗粒化动力学。该方法通过强制满足涨落-耗散定理，实现了对介观过程（如铁电畴壁运动和偶极子晶格动力学）的高效、长时间尺度模拟，相比分子动力学实现了数量级的加速，同时保持了低频动力学的高精度。

ABSTRACT

We introduce a machine learning-based approach called ab initio generalized Langevin equation (AIGLE) to model the dynamics of slow collective variables in materials and molecules. In this scheme, the parameters are learned from atomistic simulations based on ab initio quantum mechanical models. Force field, memory kernel, and noise generator are constructed in the context of the Mori-Zwanzig formalism, under the constraint of the fluctuation-dissipation theorem. Combined with deep potential molecular dynamics and electronic density functional theory, this approach opens the way to multi-scale modeling in a variety of situations. Here, we demonstrate this capability with a study of two mesoscale processes in crystalline lead titanate, namely the field-driven dynamics of a planar ferroelectric domain wall, and the dynamics of an extensive lattice of coarse-grained electric dipoles. In the first case, AIGLE extends the reach of ab initio simulations to a regime of noise-driven motions not accessible to molecular dynamics. In the second case, AIGLE deals with an extensive set of collective variables by adopting a local approximation for the memory kernel and retaining only short-range noise correlations. The scheme is computationally more efficient than molecular dynamics by several orders of magnitude, and mimics the microscopic dynamics at low frequencies where it reproduces accurately the dominant far-infrared absorption frequency.

研究动机与目标

• 开发一种系统性、数据驱动的方法，用于构建材料介观动力学的高精度粗粒化模型。
• 解决从微观模拟中参数化广义朗之万方程中非马尔可夫记忆和噪声的挑战。
• 通过在学习到的噪声和记忆核上强制实施第二涨落-耗散定理，确保物理一致性。
• 实现复杂介观现象（如畴壁运动和偶极子晶格动力学）的长时间尺度模拟，超越标准从头算分子动力学的极限。
• 在保持低频响应高精度的同时，实现比分子动力学快几个数量级的计算效率。

提出的方法

• 该方法基于莫里-曾茨维格形式化，将微观动力学投影到集体变量上，构建广义朗之万方程（GLE）。
• 力场、记忆核和噪声生成器均通过深度势函数和密度泛函理论，从从头算分子动力学轨迹中进行训练。
• 记忆核通过正则化优化方案学习为有限长度、时间平移不变的函数，并引入 Yule-Walker 约束以确保平稳性。
• 噪声被建模为具有可学习均值和方差的高斯-自回归（GAR）过程，并通过第二涨落-耗散定理进行约束。
• 训练过程交替优化记忆核与 GAR 参数，通过使用小学习率 epsilon（ε = 0.01）进行迭代精炼，以保证稳定性。
• 通过固定学习到的记忆和噪声模型，并在非平衡数据上重新训练外部力参数，将近平衡动力学纳入模型。

实验结果

研究问题

• RQ1 机器学习能否从从头算模拟中提取准确且物理解释一致的记忆项与噪声项，用于广义朗之万方程？
• RQ2 在学习记忆与噪声过程中，如何强制实施涨落-耗散定理以确保热力学一致性？
• RQ3 AIGLE 能否模拟超越标准从头算分子动力学能力的长时间尺度介观动力学——如电场驱动的畴壁运动？
• RQ4 记忆核的局部近似对模拟大规模偶极子系统时的精度与效率有何影响？
• RQ5 AIGLE 在多大程度上能再现材料的主导远红外吸收频率，从而表明其低频动力学的正确性？

主要发现

• AIGLE 在保持长时间尺度动力学高精度的同时，计算效率比从头算分子动力学快几个数量级。
• 该方法成功模拟了电场驱动的铁电畴壁运动，进入了标准分子动力学无法触及的噪声驱动区域。
• 对于大规模偶极子晶格，结合记忆核的局部近似与短程噪声关联，实现了对大范围集体变量的可扩展模拟。
• AIGLE 模型以高精度再现了材料的主导远红外吸收频率，证实了其低频动力学的正确性。
• 对 GAR 模型参数施加 Yule-Walker 约束，确保了长期平稳性，防止过拟合，并支持稳定长时间积分。
• 通过强制实施第二涨落-耗散定理，该方法保持了物理一致性，将记忆核与噪声自相关函数精确关联。