[论文解读] Developments and Further Applications of Ephemeral Data Derived Potentials

Pascal T. Salzbrenner, Se Hun Joo+6 more|arXiv (Cornell University)|Jun 10, 2023

Machine Learning in Materials Science参考文献 143被引用 2

一句话总结

本文提出了在瞬态数据衍生势（EDDPs）方面的显著进展，这是一种轻量级的机器学习原子间势框架，仅使用少量小晶胞的DFT计算能量即可训练出平滑且可转移的势能。作者展示了EDDPs在结构预测之外的广泛应用，能够对碳、铅、钪氢化物和氰化锌等多种体系在极端条件下的声子、相图、超离子性以及热膨胀进行精确模拟。

ABSTRACT

Machine-learned interatomic potentials are fast becoming an indispensable tool in computational materials science. One approach is the ephemeral data-derived potential (EDDP), which was designed to accelerate atomistic structure prediction. The EDDP is simple and cost-efficient. It relies on training data generated in small unit cells and is fit using a lightweight neural network, leading to smooth interactions which exhibit the robust transferability essential for structure prediction. Here, we present a variety of applications of EDDPs, enabled by recent developments of the open-source EDDP software. New features include interfaces to phonon and molecular dynamics codes, as well as deployment of the ensemble deviation for estimating the confidence in EDDP predictions. Through case studies ranging from elemental carbon and lead to the binary scandium hydride and the ternary zinc cyanide, we demonstrate that EDDPs can be trained to cover wide ranges of pressures and stoichiometries, and used to evaluate phonons, phase diagrams, superionicity, and thermal expansion. These developments complement continued success in accelerated structure prediction.

研究动机与目标

• 将瞬态数据衍生势（EDDPs）的应用范围从加速结构预测进一步拓展。
• 解决在高压和高温等极端条件下模拟复杂材料的挑战。
• 利用极少的DFT训练数据，实现对热力学和动力学性质的稳健、低成本模拟。
• 展示EDDPs在包括元素和化合物材料在内的多种化学体系中的可转移性与置信度估计能力。

提出的方法

• EDDPs通过在小晶胞（≤24个原子）上进行单点DFT能量计算进行训练，实现低成本且高通量的数据生成。
• 采用轻量级神经网络拟合原子间势能，确保能量景观平滑且行为良好。
• 引入集合偏差以估计预测置信度，提升在高通量应用中的可靠性。
• 实现了与声子计算及分子动力学（MD）代码的接口，支持对振动和动力学性质的模拟。
• 采用主动学习和偏置MD采样，提升对高能量或描述不足构型的数据覆盖。
• 该方法利用尺寸可转移性，使在小晶胞上训练的势能可有效模拟大尺度体系。

实验结果

研究问题

• RQ1 EDDPs能否可靠地扩展用于预测高压下材料的声子色散关系和热力学性质？
• RQ2 在包含自旋-轨道耦合效应时，EDDPs在预测相稳定性和相图方面的表现如何？
• RQ3 单个EDDP模型在如三元氢化物等复杂体系中，能够多大程度上准确描述多种化学计量比？
• RQ4 EDDPs能否准确捕捉高压氢化物中的超离子行为及氢亚晶格熔化现象？
• RQ5 集合偏差度量在多样化化学环境中如何提升EDDP预测的置信度估计？

主要发现

• 针对Immm-ScH12的EDDP成功预测了在350 GPa、700 K以上发生氢亚晶格熔化和超离子性，与AIMD结果一致。
• 包含自旋-轨道耦合的铅EDDP再现了实验熔化曲线，与实验结果的吻合度显著提高。
• 针对钪氢化物的单一EDDP模型准确探索了广泛的化学计量比，并预测了与已知结果一致的稳定相。
• EDDPs在少于4,000次DFT计算的训练下，对元素体系实现了meV量级的精度，仅碳体系面临更大挑战。
• 集合偏差度量为EDDP预测提供了可靠的置信度估计，支持稳健的不确定性量化。
• EDDPs展现出强大的尺寸可转移性，能够利用小晶胞的训练数据准确模拟大尺度体系。