[论文解读] Accurate Energy Barriers for Catalytic Reaction Pathways: An Automatic Training Protocol for Machine Learning Force Fields

Lars L. Schaaf, Edvin Fako+3 more|arXiv (Cornell University)|Jan 1, 2023

Machine Learning in Materials Science被引用 7

一句话总结

本文提出了一种基于主动学习的自动化机器学习力场（MLFF）训练协议，可精确预测催化反应路径中的能垒，与DFT计算结果的偏差小于0.05 eV。该方法应用于氧化铟上的CO2加氢反应，使决速步能垒降低40%，并实现了包含有限温度效应的吉布斯能垒计算，证明了该方法在先前未探索的还原表面上的可迁移性。

ABSTRACT

In this study, we introduce a training protocol for developing machine learning force fields (MLFFs), capable of accurately determining energy barriers in catalytic reaction pathways. The protocol is validated on the extensively explored hydrogenation of carbon dioxide to methanol over indium oxide. With the help of active learning, the final force field obtains energy barriers within 0.05 eV of Density Functional Theory. Thanks to the computational speedup, not only do we reduce the cost of routine in-silico catalytic tasks, but also find a 40\% reduction in the previously established rate-limiting step. Furthermore, we illustrate the importance of finite-temperature effects and compute free energy barriers. The transferability of the protocol is demonstrated on the experimentally relevant, yet unexplored, top-layer reduced indium oxide surface. The ability of MLFFs to enhance our understanding of extensively studied catalysts underscores the need for fast and accurate alternatives to direct ab-intio simulations.

研究动机与目标

• 开发一种无需人工干预的自动化MLFF训练协议，以精确预测复杂催化反应路径中的能垒。
• 实现利用MLFF对整个反应网络进行系统性、高精度模拟，克服直接DFT计算的高昂成本。
• 在已广泛研究的氧化铟上CO2转化为甲醇的反应路径上验证该协议，包括有限温度效应和吉布斯能垒计算。
• 证明该协议可迁移至实验相关的、此前未通过DFT研究的表面，如顶层还原的氧化铟表面。
• 在保持与DFT相当的精度的同时，减少对昂贵从头算模拟的依赖，以支持反应机理分析。

提出的方法

• 该协议利用主动学习从初始中间体集合中迭代选择最具信息量的构型，最大限度减少对专家输入的依赖。
• 采用高斯过程（GAP）结合双涡轮SOAP描述符作为MLFF框架，通过交叉验证优化超参数。
• 参考数据通过DFT（PBE泛函，PAW赝势，884 eV截断能）生成，用于几何优化和弹珠链（NEB）计算。
• 能垒通过包含10–20个图像的NEB方法计算，初始路径猜测采用IDPP，收敛通过指数预处理实现。
• 吉布斯能垒通过伞状采样计算，采用32个桶、110 ps模拟时间、75 eV/Ų的弹簧常数，在500 K下进行。
• 训练过程由不确定性量化引导，聚焦于预测误差较高的区域，以高效提升势能面（PES）的准确性。

实验结果

研究问题

• RQ1 基于主动学习的自动化训练协议能否可靠地训练MLFF，使其在复杂催化路径中预测的能垒与DFT结果偏差在0.05 eV以内？
• RQ2 通过该协议训练的MLFF能否准确再现整个CO2加氢机制中最低能量路径和过渡态？
• RQ3 该方法能否捕捉有限温度效应，并计算与实验条件一致的吉布斯能垒？
• RQ4 该协议是否可迁移至此前未通过DFT研究的新型实验相关表面？
• RQ5 与先前的DFT研究相比，该MLFF是否能实现预测决速步能垒40%的降低？

主要发现

• 最终的MLFF在In2O3(110)表面CO2转化为甲醇的五个基元步骤中，能垒与DFT结果偏差均小于0.05 eV。
• 与先前报道的DFT值相比，该MLFF将预测的决速步能垒降低了40%，表明其在识别最慢步骤方面具有更高的准确性。
• 在500 K下通过伞状采样计算的吉布斯能垒显示，MLFF正确捕捉了有限温度效应，其能垒与真实DFT吉布斯能面的偏差在kT（45 meV）以内。
• 该协议成功迁移至实验相关的顶层还原In2O3表面，证明其在初始训练体系之外仍具有鲁棒性。
• 整个反应路径（吉布斯自由能跨度达50 kT）被MLFF准确描述，其最低能量路径与DFT结果高度一致。
• 主动学习的使用显著减少了所需DFT参考计算的数量，实现了MLFF的高效且系统性优化。