[论文解读] Electrostatic interactions in atomistic and machine-learned potentials for polar materials

Lorenzo Monacelli, Nicola Marzari|arXiv (Cornell University)|Dec 2, 2024

Machine Learning in Materials ScienceMaterials Science被引用 3

一句话总结

该论文提出了一种从头算模型，仅使用Born有效电荷和介电张量等物理可观测量，即可在极性材料的原子势和机器学习势中精确包含长程静电相互作用。该方法无需微调或额外的第一性原理计算，成功再现了立方BaTiO₃中的LO-TO能级分裂和长波长声子色散关系。

ABSTRACT

Long-range electrostatic interactions critically affect polar materials. However, state-of-the-art atomistic potentials, such as neural networks or Gaussian approximation potentials employed in large-scale simulations, often neglect the role of these long-range electrostatic interactions. This study introduces a novel model derived from first principles to evaluate the contribution of long-range electrostatic interactions to total energies, forces, and stresses. The model is designed to integrate seamlessly with existing short-range force fields without further first-principles calculations or retraining. The approach relies solely on physical observables, like the dielectric tensor and Born effective charges, that can be consistently calculated from first principles. We demonstrate that the model reproduces critical features, such as the LO-TO splitting and the long-wavelength phonon dispersions of polar materials, with benchmark results on the cubic phase of barium titanate (BaTiO$_3$).

研究动机与目标

• 解决当前最先进的机器学习势和原子势在极性材料中缺乏长程静电相互作用的问题。
• 开发一种方法，仅通过平衡态下的第一性原理可观测量，即可捕捉Γ点声子的非解析行为（即LO-TO能级分裂），而无需重新训练或引入额外的第一性原理数据。
• 通过仅依赖于平衡态下的物理可观测量（如介电张量和Born有效电荷）来确保与现有短程力场的兼容性。
• 通过重新定义能量表达式中的质心位置，保持平移不变性并满足声子求和规则。
• 通过高效且可扩展的力场，实现极性绝缘体热力学和光谱性质的精确模拟。

提出的方法

• 从头算推导长程静电能，基于偶极-偶极相互作用，电场通过Ewald求和表达。
• 在动量空间中，以原子位移、有效电荷和介电张量表示静电能。
• 对偶极相互作用中的正弦函数进行一阶展开，消除对任意电荷定义的依赖。
• 重新定义每个原子的质心位置，以保证平移不变性并满足声子求和规则，确保质心无净受力。
• 将静电贡献作为后处理校正项集成到现有力场中，仅使用标准DFT计算得到的可观测量。
• 通过算法微分实现该模型，确保力和应力张量的导数正确，包括来自重新定义质心的修正项。

Fig. 1: Phonon band structure of cubic \ch BaTiO3, comparison between DFT, the GAP without long-range (LR) interaction gigliThermodynamicsDielectricResponse2022 , and the same potential with long-range (LR) interactions adding to the forces Eq. ( 11 ) Negative frequencies are imaginary numbers, mean

实验结果

研究问题

• RQ1 是否可以在不重新训练或引入额外训练数据的前提下，准确捕捉机器学习势中的长程静电相互作用？
• RQ2 如何仅通过平衡态DFT计算得到的物理可观测量，建模在q=0处动力学矩阵的非解析q依赖性（即LO-TO能级分裂）？
• RQ3 能否构建一个物理自洽、平移不变的静电能模型，同时保持声子求和规则？
• RQ4 该模型在多大程度上能准确再现如BaTiO₃等极性钙钛矿材料中的关键声子色散特征（如LO-TO能级分裂）？
• RQ5 该方法能否无缝集成到现有短程力场中，而无需修改底层模型架构或引入新的从头算数据？

主要发现

• 该模型仅使用DFT计算得到的有效电荷和介电张量，即准确再现了立方BaTiO₃中的LO-TO能级分裂，这是长程静电作用的典型特征。
• 由于重新定义了质心位置，静电能表达式在全局平移下保持不变，从而确保满足声子求和规则。
• 该方法成功捕捉了动力学矩阵在Γ点处的非解析q依赖性，这对声子色散和热力学性质至关重要。
• 该模型无需部分原子电荷、电荷均衡或额外训练数据，保持了与现有机器学习势的兼容性。
• 通过算法微分实现的代码正确计算了力和应力，包括来自质心重定义的修正项，确保与守恒定律一致。
• 在BaTiO₃上的基准测试结果与第一性原理声子色散高度一致，证实了该模型的准确性与物理自洽性。