[论文解读] Efficiency, Accuracy, and Transferability of Machine Learning Potentials: Application to Dislocations and Cracks in Iron

Lei Zhang, Gábor Cśanyi+2 more|arXiv (Cornell University)|Jul 19, 2023

Machine Learning in Materials ScienceMaterials Science被引用 3

一句话总结

本研究评估了最先进的机器学习原子间势（ML-IAPs）在体心立方铁中模拟位错和裂纹时的效率、准确性和可迁移性。通过一个三步验证框架——与DFT对比基准测试、不确定性量化以及大规模模拟——结果表明，GAP和PACE-FS ML-IAPs在预测位错核心结构、佩尔斯势垒和断裂机制方面达到了DFT水平的准确性，且PACE-FS在训练使用优化数据库时实现了高达100倍的加速，同时保持了良好的可迁移性。

ABSTRACT

Machine learning interatomic potentials (ML-IAPs) enable quantum-accurate, classical molecular dynamics simulations of large systems, beyond reach of density functional theory (DFT). Yet, their efficiency and ability to predict systems larger than DFT supercells are not fully explored, posing a question regarding transferability to large-scale simulations with defects (e.g. dislocations, cracks). Here, we apply a three-step validation approach to body-centered-cubic iron. First, accuracy and efficiency are assessed by optimizing ML-IAPs based on four state-of-the-art ML packages. The Pareto front of computational speed versus testing root-mean-square-error (RMSE) is computed. Second, benchmark properties relevant to plasticity and fracture are evaluated. Their average relative error Q with respect to DFT is found to correlate with RMSE. Third, transferability of ML-IAPs to dislocations and cracks is investigated by using per-atom model uncertainty quantification. The core structures and Peierls barriers of screw, M111 and three edge dislocations are compared with DFT. Traction-separation curve and critical stress intensity factor (K_Ic) are also predicted. Cleavage on the pre-existing crack plane is found to be the zero-temperature atomistic fracture mechanism of pure body-centered-cubic iron under mode-I loading, independent of ML package and training database. Quantitative predictions of dislocation glide paths and KIc can be sensitive to database, ML package, cutoff radius, and are limited by DFT accuracy. Our results highlight the importance of validating ML-IAPs by using indicators beyond RMSE. Moreover, significant computational speed-ups can be achieved by using the most efficient ML-IAP package, yet the assessment of the accuracy and transferability should be performed with care.

研究动机与目标

• 评估ML-IAPs在模拟体心立方铁中扩展缺陷（如位错和裂纹）时的效率、准确性和可迁移性。
• 确定在标准数据库上训练的ML-IAPs是否能可靠地在大规模下预测复杂缺陷结构和断裂机制。
• 评估训练数据库设计、机器学习框架选择以及模型不确定性对预测性能的影响。
• 使用帕累托前沿分析，对比多个ML-IAP软件包（GAP、PACE-FS、MTP、qSNAP）在计算速度与准确度之间的权衡。

提出的方法

• 使用包含点缺陷、表面和体相构型的两个独立DFT数据库，通过主动学习提高数据效率，训练ML-IAPs。
• 在四个ML软件包（GAP、MTP、SNAP、qSNAP）中进行广泛的超参数调优，以最大化准确性和效率。
• 计算计算速度与均方根误差（RMSE）之间的帕累托前沿，以识别速度与准确度之间的最优权衡。
• 执行大规模分子静力学/动力学（MS/MD）模拟，研究螺型、M111型和刃型位错，以评估其在DFT超胞之外的可迁移性。
• 采用原子级模型不确定性量化方法，识别预测误差较高的区域，并通过一致的DFT计算验证ML-IAP性能。
• 进行受力弹性带（NEB）和牵引-分离曲线分析，以评估断裂性能，包括临界应力强度因子 $K_{\rm Ic}$。

实验结果

研究问题

• RQ1 在标准数据库上训练的ML-IAPs能否准确预测体心立方铁中多种位错类型的位错核心结构和佩尔斯势垒？
• RQ2 ML-IAP框架的选择（如GAP与PACE-FS）如何影响位错滑移路径和断裂机制的预测？
• RQ3 DFT训练数据库的大小和组成在多大程度上影响ML-IAPs在大规模缺陷模拟中的可迁移性？
• RQ4 模型不确定性量化能否可靠地识别出ML-IAP预测偏离DFT基准的区域？
• RQ5 在零温条件下，沿预存在裂纹面的解理是否为体心立方铁中占主导地位的断裂机制，且与所用ML-IAP无关？

主要发现

• PACE-FS ML-IAP的计算速度比其他框架最高快100倍，同时保持高准确性，处于效率的帕累托前沿。
• GAP作为最准确的ML-IAP，在预测螺型位错核心结构的能量层级（易滑移、难滑移、分裂型）方面达到了DFT水平的准确性。
• GAP和PACE-FS均成功再现了螺型位错中的佩尔斯势垒和双纽结成核行为，证实其适用于大规模塑性模拟。
• 在所有ML-IAPs和数据库中，沿预裂纹面的解理被一致预测为零温下的断裂机制，且与模型或训练数据无关。
• 通过主动学习和优化数据库设计，仅使用1/5的DFT数据量即可实现与DFT相当的预测准确性和可迁移性，显著降低了计算成本。
• 在竞争性核心结构之间（如刃型和M111型位错）的微小能量差异对ML-IAP选择和训练数据库均敏感，凸显了DFT精度在模型区分中的关键作用。