[论文解读] Learned Force Fields Are Ready For Ground State Catalyst Discovery

Michael Schaarschmidt, Morgane Rivière+7 more|arXiv (Cornell University)|Sep 26, 2022

Machine Learning in Materials Science被引用 15

一句话总结

该论文表明，基于DFT数据进行训练的机器学习力场（ML-FFs）在寻找催化剂的较低或相当的基态能量时，即使存在显著的力预测误差，其表现仍优于传统的DFT几何优化。尽管力的预测精度较低，ML-FFs与一种简单的“简易势”（harmonic approximation around DFT minima）仍能准确找到能量极小值，从而实现100倍的结构优化加速，表明学习到的力场已具备在大规模催化剂发现中直接应用的潜力。

ABSTRACT

We present evidence that learned density functional theory (``DFT'') force fields are ready for ground state catalyst discovery. Our key finding is that relaxation using forces from a learned potential yields structures with similar or lower energy to those relaxed using the RPBE functional in over 50\% of evaluated systems, despite the fact that the predicted forces differ significantly from the ground truth. This has the surprising implication that learned potentials may be ready for replacing DFT in challenging catalytic systems such as those found in the Open Catalyst 2020 dataset. Furthermore, we show that a force field trained on a locally harmonic energy surface with the same minima as a target DFT energy is also able to find lower or similar energy structures in over 50\% of cases. This ``Easy Potential'' converges in fewer steps than a standard model trained on true energies and forces, which further accelerates calculations. Its success illustrates a key point: learned potentials can locate energy minima even when the model has high force errors. The main requirement for structure optimisation is simply that the learned potential has the correct minima. Since learned potentials are fast and scale linearly with system size, our results open the possibility of quickly finding ground states for large systems.

研究动机与目标

• 评估机器学习力场（ML-FFs）是否能够可靠地在催化材料中找到基态结构，特别是当超出其分布外时。
• 探究力场性能是否依赖于精确的力预测，还是仅需正确地定位能量极小值即可。
• 评估使用简化模型（如谐波近似）在催化结构优化中加速的可行性。
• 比较ML-FFs与混合方法（如Easy Potential + DFT）与标准DFT几何优化在能量、收敛速度和稳定性方面的表现。
• 通过替代或加速传统基于DFT的优化工作流，实现更快、可扩展的催化剂发现。

提出的方法

• 使用原子图上的消息传递神经网络，在Open Catalyst 2020（OC20）数据集的DFT能量和力数据上训练ML-FFs。
• 采用JAX结合JIT编译和动态图填充技术，实现结构优化，以处理优化过程中原子间距的变化。
• 设计了一种“简易势”（EP）模型，将DFT能量近似为已知极小值附近的谐波函数，仅基于局部能量曲率进行训练，不依赖完整力数据。
• 使用AdamW优化器，以每原子的力预测作为梯度，并通过最近邻查找在每次位置更新后重新计算图边。
• 使用Quantum Espresso和VASP进行DFT计算以验证结果，确保与OC20基准设置的一致性。
• 将EP与ML-FF结合，采用两阶段优化：首先用EP优化，再用ML-FF精修，最后通过DFT验证。

实验结果

研究问题

• RQ1 当应用于分布外的催化剂体系时，学习到的力场是否能获得与DFT相当或更低的基态能量？
• RQ2 学习到的力场的成功是否依赖于精确的力预测，还是仅正确地定位能量极小值就足够？
• RQ3 仅基于局部极小值训练的简化谐波近似（简易势）是否能在结构优化中优于标准ML-FFs？
• RQ4 混合方法（如EP后接DFT）在多大程度上能减少DFT计算步数，同时提升最终结构的稳定性？
• RQ5 在真实催化体系中，ML-FFs的收敛速度和能量精度与传统DFT几何优化相比如何？

主要发现

• 在超过50%的分布外情况下，ML-FF优化得到的结构能量与VASP-RPBE DFT优化结果相当或更低，尽管存在显著的力预测误差。
• 简易势（DFT极小值附近的谐波近似）的收敛步数少于标准ML-FFs，并且在超过50%的情况下找到了能量更低或相当的结构。
• 采用简易势后接DFT的混合优化方法，将所需DFT步数减少了一半，且在88%的情况下实现了能量相当或更优的稳定性。
• 与仅使用DFT的优化相比，混合优化结构的平均能量改善达0.46 eV，显著提升了催化稳定性预测能力。
• ML-FF优化的中位收敛时间仅为1分钟——比传统DFT代码快两个数量级，实现了对大规模体系的快速筛选。
• 即使在非极小值DFT数据上进行训练，ML-FFs仍能一致地定位到正确的能量极小值，表明优化成功的关键并非力的准确性，而在于正确找到能量极小值。