[论文解读] Descriptors for Machine Learning Model of Generalized Force Field in Condensed Matter Systems

Puhan Zhang, Sheng Zhang+1 more|arXiv (Cornell University)|Jan 3, 2022

Machine Learning in Materials Science被引用 4

一句话总结

本文提出了一种对称性不变的描述符框架，用于机器学习模型模拟关联电子系统中经典场（如晶格畸变、自旋和序参量）的绝热动力学。通过利用群论方法，特别是以不可约表示为参考的双谱系数，该方法能够从局域场构型中实现精确且保持对称性的能量预测，从而实现超越经验模型的大规模、第一性原理启发的复杂凝聚态动力学模拟。

ABSTRACT

We outline the general framework of machine learning (ML) methods for multi-scale dynamical modeling of condensed matter systems, and in particular of strongly correlated electron models. Complex spatial temporal behaviors in these systems often arise from the interplay between quasi-particles and the emergent dynamical classical degrees of freedom, such as local lattice distortions, spins, and order-parameters. Central to the proposed framework is the ML energy model that, by successfully emulating the time-consuming electronic structure calculation, can accurately predict a local energy based on the classical field in the intermediate neighborhood. In order to properly include the symmetry of the electron Hamiltonian, a crucial component of the ML energy model is the descriptor that transforms the neighborhood configuration into invariant feature variables, which are input to the learning model. A general theory of the descriptor for the classical fields is formulated, and two types of models are distinguished depending on the presence or absence of an internal symmetry for the classical field. Several specific approaches to the descriptor of the classical fields are presented. Our focus is on the group-theoretical method that offers a systematic and rigorous approach to compute invariants based on the bispectrum coefficients. We propose an efficient implementation of the bispectrum method based on the concept of reference irreducible representations. Finally, the implementations of the various descriptors are demonstrated on well-known electronic lattice models.

研究动机与目标

• 为应用于凝聚态系统中经典场的机器学习模型，开发一种通用的、保持对称性的描述符框架。
• 解决强关联电子系统多尺度动力学建模中描述符缺乏系统理论的问题。
• 实现对准静态电子影响下经典场动力学的精确、大规模模拟，超越经验能量模型。
• 提供一种系统化、基于群论的构建方法，从局域经典场构型中构造不变量，尤其适用于具有内部对称性的系统。
• 在Holstein、Jahn-Teller和s-d哈密顿量等基准模型上，展示该描述符的可行性和准确性。

提出的方法

• 为凝聚态系统中的经典场提出通用的描述符理论，区分具有和不具有内部对称性的模型。
• 提出一种基于将局域经典场分解为点群不可约表示（IRs）的群论方法。
• 使用三个IR的双谱系数作为基本不变量，类似于标量三重积，以构建对称性不变的特征。
• 引入基于参考不可约表示的简化策略，以减少双谱不变量的过完备性，同时保留振幅和相对相位信息。
• 采用深度神经网络作为学习模型，以对称性不变的描述符作为输入特征，从经典场构型预测局域能量。
• 在经典模型上验证该方法：标量场Holstein模型和Jahn-Teller模型，以及用于巡游磁体的矢量场s-d模型。

实验结果

研究问题

• RQ1 如何系统性地设计机器学习模型，使其在模拟关联电子系统中经典场时保持电子哈密顿量的对称性？
• RQ2 是否存在一种通用的、数学上严谨的框架，用于构建具有或不具有内部对称性的经典场的对称性不变描述符？
• RQ3 如何在保留学习所需关键物理信息的前提下，缓解双谱不变量的过完备性问题？
• RQ4 所提出的描述符能否实现超越经验或现象学模型的精确、大规模经典场动力学模拟？
• RQ5 基于特征值、类似对称函数的描述符与群论方法在性能和物理一致性方面如何比较？

主要发现

• 基于不可约表示双谱系数的群论方法，为凝聚态系统中经典场的对称性不变描述符提供了一种系统且可控的构建方法。
• 所提出的基于参考IR的简化策略在减少双谱不变量数量的同时，保留了每个不可约表示的振幅和相对相位，确保了物理保真度。
• 该描述符框架成功捕捉了Holstein模型（标量场）和s-d模型（具有内部对称性的矢量场）中经典场的本质物理特性，证明了其通用性。
• 该方法能够从经典场构型中精确预测局域能量，为实现复杂时空动力学的大规模、第一性原理启发模拟铺平了道路。
• 该框架通过实时整合电子结构响应，克服了经验能量模型的局限性，实现了电子与经典场之间的动态耦合。
• 在基准模型上的实现验证了该描述符能够以高精度编码局域对称性和场结构，这对于模拟拓扑缺陷和非均匀电子态至关重要。