[论文解读] Extracting ice phases from liquid water: why a machine-learning water model generalizes so well

Bartomeu Monserrat, Jan Gerit Brandenburg+2 more|arXiv (Cornell University)|Jun 23, 2020

Gaussian Processes and Bayesian Inference被引用 5

一句话总结

本研究证明，53种不同的冰相（包括所有已知的晶体形式）的局部原子环境在液态水中也具有结构对应，使得仅基于液态水训练的机器学习势能能够准确预测冰的晶格能、密度和振动光谱等性质。关键洞见在于，液态水的构型多样性捕捉到了冰的关键结构基元，从而解释了水模型在不同相之间表现出的卓越泛化能力。

ABSTRACT

We investigate the structural similarities between liquid water and 53 ices, including 20 knowncrystalline phases. We base such similarity comparison on the local environments that consist of atoms within a certain cutoff radius of a central atom. We reveal that liquid water explores the localenvironments of the diverse ice phases, by directly comparing the environments in these phases using general atomic descriptors, and also by demonstrating that a machine-learning potential trained on liquid water alone can predict the densities, the lattice energies, and vibrational properties of theices. The finding that the local environments characterising the different ice phases are found in water sheds light on water phase behaviors, and rationalizes the transferability of water models between different phases.

研究动机与目标

• 研究水相图中液态水与多种冰相之间的结构关系。
• 确定尽管缺乏长程有序性，冰相应相中的局部原子环境是否存在于液态水中。
• 检验假设：仅在液态水中训练的机器学习势能能否泛化预测所有冰相的性质。
• 解释水模型在不同水相之间表现出的惊人泛化能力的原因。

提出的方法

• 从15,859种假设结构中，通过广义凸包构造方法，整理出53种具有代表性的冰相（包括所有已知的晶体形式）的精选数据集。
• 使用通用原子描述符（ASAP）比较所有相中的局部原子环境，以量化结构相似性。
• 仅基于1,000个结构多样的64分子液态水构型，训练机器学习势能（MLP）。
• 通过有限位移法计算晶格能、密度和声子态密度，评估MLP在冰相上的预测性能。
• 在VASP和cp2k中使用DFT（revPBE0-D3）执行几何优化和声子计算，确保设置一致以实现交叉验证。
• 为解决因质子无序导致的声子谱不稳定性，生成超胞并重新优化，尤其在MLP计算中，此步骤在计算成本允许下可行。

实验结果

研究问题

• RQ1 在多种冰相中发现的局部原子环境是否也存在于液态水中？
• RQ2 仅在液态水中训练的机器学习势能能否准确预测冰相应相的热力学和振动性质？
• RQ3 为何基于液态水训练的水模型在不同相之间具有如此出色的泛化能力？
• RQ4 液态水的构型多样性在多大程度上涵盖了晶体冰的结构基元？

主要发现

• 通过通用原子描述符的直接比较，确认了所有53种冰相应相的局部原子环境在液态水中具有结构对应。
• 仅在液态水中训练的机器学习势能对冰相应相的晶格能预测，平均绝对误差低于0.01 eV/分子。
• MLP对冰相应相密度的预测，平均绝对误差小于0.02 g/mL，在0.7至1.4 g/mL的全密度范围内均表现出高精度。
• 使用MLP计算的声子态密度与DFT结果高度一致，尤其在考虑质子无序的超胞重新优化后表现更佳。
• DFT计算中部分冰相应相出现虚频声子，归因于原胞中的人工对称性约束，通过超胞弛豫可解决该问题——此步骤仅在MLP计算中因计算成本可行而得以实现。
• 液态水与冰相应相之间的结构相似性，解释了水模型在不同相之间具有泛化能力的原因，说明为何基于液态水训练的模型在冰相应相上表现优异。