[论文解读] Advancing Nonadiabatic Molecular Dynamics Simulations for Solids: Achieving Supreme Accuracy and Efficiency with Machine Learning

Changwei Zhang, Zhong Yang+8 more|arXiv (Cornell University)|Aug 13, 2024

Machine Learning in Materials ScienceMaterials Science被引用 3

一句话总结

该论文提出N²AMD，一种利用E(3)-等变深度神经哈密顿量的机器学习框架，实现了在固体非绝热分子动力学（NAMD）模拟中达到最先进精度与效率。通过使用保持对称性的神经网络直接计算电子哈密顿量，N²AMD实现了对半导体中电子-空穴复合过程的大规模、高精度模拟，包括传统方法失效的缺陷体系。

ABSTRACT

Non-adiabatic molecular dynamics (NAMD) simulations have become an indispensable tool for investigating excited-state dynamics in solids. In this work, we propose a general framework, N$^2$AMD which employs an E(3)-equivariant deep neural Hamiltonian to boost the accuracy and efficiency of NAMD simulations. The preservation of Euclidean symmetry of Hamiltonian enables N$^2$AMD to achieve state-of-the-art performance. Distinct from conventional machine learning methods that predict key quantities in NAMD, N$^2$AMD computes these quantities directly with a deep neural Hamiltonian, ensuring supreme accuracy, efficiency, and consistency. Furthermore, N$^2$AMD demonstrates excellent generalizability and enables seamless integration with advanced NAMD techniques and infrastructures. Taking several extensively investigated semiconductors as the prototypical system, we successfully simulate carrier recombination in both pristine and defective systems at large scales where conventional NAMD often significantly underestimates or even qualitatively incorrectly predicts lifetimes. This framework not only boosts the efficiency and precision of NAMD simulations but also opens new avenues to advance materials research.

研究动机与目标

• 解决传统非绝热分子动力学（NAMD）模拟在固体中计算成本高和精度受限的问题。
• 克服在预测非辐射复合过程中对近似交换-关联泛函及其自相互作用误差的依赖。
• 开发一种机器学习框架，直接预测保持欧几里得对称性的全电子哈密顿量，以确保物理一致性。
• 实现对本征和缺陷半导体中电子-空穴复合过程的高精度、可扩展模拟，包括大规模体系。
• 实现与先进NAMD技术（如DISH算法和相位校正）的无缝集成，以考虑退相干效应。

提出的方法

• 提出N²AMD，一种通用框架，采用E(3)-等变深度神经哈密顿量，精确保持欧几里得对称性，以建模固体的全电子结构。
• 采用两阶段训练过程：首先最小化实空间哈密顿量矩阵的平均绝对误差，然后添加带能误差的正则化项以提升模型的可迁移性。
• 使用HamGNN（五层交互层，20 Bohr截断）训练哈密顿量模型，利用包含TiO₂、GaAs、MoS₂双层和硅烯等多类材料的1000–2000个结构的数据集。
• 将学习到的哈密顿量集成到Hefei-NAMD代码中，实现基于时间依赖薛定谔方程传播和非绝热耦合计算的从头算NAMD模拟。
• 应用相位校正和DISP算法以考虑电子-空穴复合动力学中的退相干效应。
• 使用拼接的微正则MD轨迹（最长5000 fs），并通过20个初始构型和每构型200条轨迹的系综平均，实现长时间复合过程的模拟。

实验结果

研究问题

• RQ1 能否通过直接预测全电子哈密顿量的机器学习模型，在固体非绝热动力学中实现比传统方法更高的精度与效率？
• RQ2 在哈密顿量模型中保持欧几里得对称性在NAMD模拟中在多大程度上提升了物理一致性和可迁移性？
• RQ3 该框架能否在标准DFT泛函定性失效的缺陷半导体中准确模拟电子-空穴复合寿命？
• RQ4 采用带能误差正则化的两阶段训练策略如何提升哈密顿量模型在不同材料中的稳定性和可迁移性？
• RQ5 该框架能否实现对复杂体系（如扭转双层MoS₂和硅纳米管）的高保真度大规模NAMD模拟？

主要发现

• N²AMD通过使用E(3)-等变深度神经网络直接计算电子哈密顿量，实现了在NAMD模拟中的最先进精度，确保了物理一致性和对称性保持。
• 该框架成功模拟了本征和缺陷的TiO₂、GaAs、扭转MoS₂双层以及硅纳米管中的电子-空穴复合过程，其在大规模体系中的模拟结果显著优于传统NAMD方法，后者在这些体系中严重低估或定性错误预测复合寿命。
• 对于化学计量比的TiO₂，N²AMD预测的复合动力学与参考HONPAS结果高度一致，验证了方法在5000 fs微正则轨迹中的精度。
• 采用带能误差正则化的两阶段训练过程显著降低了哈密顿量预测误差，并提升了在不同应变和堆叠构型材料间的可迁移性。
• 该模型在多样化体系中表现出稳健性能，包括一个3×√3正交超胞（252个原子）的38.2°扭转MoS₂双层，实现了在Γ点的复合动力学模拟。
• 在50 K下对不稳定的硅纳米管的模拟表明，N²AMD保持了数值稳定性并提供了可靠的复合动力学，凸显其在挑战性体系中的能力。