[论文解读] Deep Potentials for Materials Science

Tongqi Wen, Linfeng Zhang+3 more|arXiv (Cornell University)|Mar 1, 2022

Machine Learning in Materials Science参考文献 198被引用 11

一句话总结

本文提出深度势能（Deep Potentials, DPs），一种基于机器学习的方法，用于材料科学中精确且高效的原子模拟。通过使用深度神经网络从密度泛函理论（DFT）数据中学习势能面（PES），DPs在计算效率上接近经验势能，同时实现了接近DFT的精度，从而实现了复杂材料体系的大规模模拟。

ABSTRACT

To fill the gap between accurate (and expensive) ab initio calculations and efficient atomistic simulations based on empirical interatomic potentials, a new class of descriptions of atomic interactions has emerged and been widely applied; i.e., machine learning potentials (MLPs). One recently developed type of MLP is the Deep Potential (DP) method. In this review, we provide an introduction to DP methods in computational materials science. The theory underlying the DP method is presented along with a step-by-step introduction to their development and use. We also review materials applications of DPs in a wide range of materials systems. The DP Library provides a platform for the development of DPs and a database of extant DPs. We discuss the accuracy and efficiency of DPs compared with ab initio methods and empirical potentials.

研究动机与目标

• 为解决原子模拟中精度与效率之间的权衡，提出深度势能（DPs）作为传统原子间势能的机器学习替代方案。
• 全面回顾深度势能在材料科学中的理论基础、开发过程及实际实现。
• 通过在体相晶体、表面和缺陷等多种材料体系中的应用，展示DPs的精度与效率。
• 通过深度势能库（DP Library）推动DPs的开放开发与共享，该库是一个集中化的数据库，用于存储训练数据、模型及测试结果。
• 识别未来提升DP描述符、训练与专业化自动化、计算效率，以及扩展DP库中材料覆盖范围的关键方向。

提出的方法

• 使用深度神经网络以可微分且平滑的方式表示势能面（PES），实现对能量和力的精确预测。
• 使用对称性函数和多体描述符编码原子环境，确保旋转、平移和排列不变性。
• 使用大规模DFT计算得到的能量、力和应力数据集进行DPs训练，实现对多样化原子构型的泛化能力。
• 采用两阶段训练框架：先在多样化构型上进行预训练，随后通过主动学习（如DP-GEN）进行微调，以提高数据效率。
• 利用DeePMD-kit软件框架实现可扩展、可微分的深度学习，用于原子间势能计算，并支持GPU加速。
• 将DP库整合为一个社区驱动的平台，用于存储、共享和基准测试DPs、训练数据和验证结果。

实验结果

研究问题

• RQ1 机器学习势能如何在保持适合大规模分子动力学模拟的计算效率的同时，实现接近DFT的精度？
• RQ2 哪些关键的网络架构与训练组件使深度神经网络能够泛化于材料中复杂的原子环境？
• RQ3 如何通过捕捉多体效应（如三体嵌入）的先进描述符系统性地提升DPs的精度？
• RQ4 自动化数据生成与主动学习在降低DP训练成本并提高其可靠性方面发挥什么作用？
• RQ5 如何扩展并标准化DP库，以支持材料科学应用中的广泛采用与可重复性？

主要发现

• 深度势能（DPs）在预测能量和力方面实现了接近密度泛函理论（DFT）的精度，其误差与或低于经验势能的误差。
• DPs在描述复杂现象（如位错滑移）方面优于传统经验势能，因为准确表示Peierls势垒需要考虑多体效应。
• 结合二体与三体嵌入的混合描述符显著提升了精度，尤其在具有强角向和多体贡献的体系中。
• DP-GEN与DeePMD-kit框架实现了基于主动学习的自动化数据生成，显著减少了所需的DFT计算次数，同时保持了高模型精度。
• DPs的计算性能已与经验势能相当，但在低精度区域仍需进一步优化以缩小速度差距。
• DP库已成为一个中心化、开放获取的DPs、训练数据与验证结果的存储库，促进了材料科学领域内从元素周期表到合金的可重复性与社区协作开发。