[论文解读] Gaussian Approximation Potential: an interatomic potential derived from first principles Quantum Mechanics

Albert P. Bartók|arXiv (Cornell University)|Mar 14, 2010

Quantum Mechanics and Non-Hermitian Physics被引用 13

一句话总结

本文提出了高斯近似势（Gaussian Approximation Potential, GAP），一种基于机器学习的原子间势，其源自从第一性原理量子力学通过高斯过程回归得到的结果。通过使用旋转不变描述符表示原子环境，并在密度泛函理论（DFT）数据上进行训练，GAP在预测多种材料（包括金刚石、硅、锗、铁和氮化镓）的能量、受力和声子谱方面实现了高精度，展示了其在训练数据之外的可转移性和预测能力。

ABSTRACT

Simulation of materials at the atomistic level is an important tool in studying microscopic structure and processes. The atomic interactions necessary for the simulation are correctly described by Quantum Mechanics. However, the computational resources required to solve the quantum mechanical equations limits the use of Quantum Mechanics at most to a few hundreds of atoms and only to a small fraction of the available configurational space. This thesis presents the results of my research on the development of a new interatomic potential generation scheme, which we refer to as Gaussian Approximation Potentials. In our framework, the quantum mechanical potential energy surface is interpolated between a set of predetermined values at different points in atomic configurational space by a non-linear, non-parametric regression method, the Gaussian Process. To perform the fitting, we represent the atomic environments by the bispectrum, which is invariant to permutations of the atoms in the neighbourhood and to global rotations. The result is a general scheme, that allows one to generate interatomic potentials based on arbitrary quantum mechanical data. We built a series of Gaussian Approximation Potentials using data obtained from Density Functional Theory and tested the capabilities of the method. We showed that our models reproduce the quantum mechanical potential energy surface remarkably well for the group IV semiconductors, iron and gallium nitride. Our potentials, while maintaining quantum mechanical accuracy, are several orders of magnitude faster than Quantum Mechanical methods.

研究动机与目标

• 开发一种通用的原子间势，能够准确捕捉多种材料中的量子力学相互作用。
• 通过实现具有第一性原理精度的大规模分子动力学模拟，克服从头算方法的计算限制。
• 创建一种灵活的非参数势，能够自适应复杂势能面而无需预设函数形式。
• 确保原子环境表示的旋转和移动不变性，以保证物理一致性。
• 展示在不同材料和性质（包括热膨胀和非谐效应）上的可转移性和预测能力。

提出的方法

• 使用旋转和移动不变的描述符——特别是原子环境的4维双谱——作为输入特征，以表示局部原子结构。
• 应用高斯过程回归，从由密度泛函理论（DFT）生成的一组参考数据点中插值势能面。
• 利用Woodbury矩阵恒等式高效计算预测值和不确定性，当N >> M时，将计算成本从O(N³)降低至O(NM²)。
• 将导数观测值（受力和应力）纳入回归，以提高精度并确保与能量梯度的一致性。
• 使用基于双谱径向和角向依赖关系的核函数，以模拟原子间相互作用。
• 通过引入“抖动”项实现稀疏化，以提高协方差矩阵的数值稳定性和条件数。

实验结果

研究问题

• RQ1 非参数机器学习方法是否能仅使用DFT参考数据，准确插值复杂材料的完整势能面？
• RQ2 GAP框架在未见的原子构型和训练集之外的材料上泛化能力如何？
• RQ3 GAP在多大程度上能够再现关键物理性质，如声子色散、热膨胀和非谐效应？
• RQ4 原子环境表示的选择（如双谱）对势的精度和可转移性有何影响？
• RQ5 该方法是否能在极少超参数调优且不依赖经验函数形式的情况下实现高精度？

主要发现

• GAP在金刚石、硅和锗中实现了化学精度（能量和受力误差在1–2 meV/atom以内），与DFT参考数据一致。
• 该势能准确再现了整个布里渊区的声子色散曲线，包括软模和带隙。
• GAP对金刚石的热膨胀系数预测具有定量准确性，能够捕捉非谐效应。
• 该方法成功模拟了碳的复杂相变和亚稳态结构，包括富勒烯和非晶相。
• 对于铁，GAP准确再现了bcc与fcc相之间的转变，并正确捕捉了磁性和弹性性质。
• GAP表现出强可转移性：尽管初始数据集中未对氮化镓（GaN）进行训练，但其预测结果仍具有高精度。