[论文解读] Machine-learning-accelerated simulations to enable automatic surface reconstruction

Xiaochen Du, James K. Damewood+5 more|arXiv (Cornell University)|May 12, 2023

Machine Learning in Materials ScienceMaterials Science参考文献 73被引用 3

一句话总结

本文提出了一种机器学习加速的计算框架，通过将可微分、数据高效的机器学习原子间势与半巨正则系综中虚拟表面位点增强的马尔可夫链蒙特卡洛采样相结合，实现了多组分材料的自动表面重构。该方法以高精度和可扩展性预测了GaN(0001)、Si(111)和SrTiO3(001)的热力学稳定表面相，包括此前未报道的终止结构。

ABSTRACT

Understanding material surfaces and interfaces is vital in applications like catalysis or electronics. By combining energies from electronic structure with statistical mechanics, ab initio simulations can in principle predict the structure of material surfaces as a function of thermodynamic variables. However, accurate energy simulations are prohibitive when coupled to the vast phase space that must be statistically sampled. Here, we present a bi-faceted computational loop to predict surface phase diagrams of multi-component materials that accelerates both the energy scoring and statistical sampling methods. Fast, scalable, and data-efficient machine learning interatomic potentials are trained on high-throughput density-functional theory calculations through closed-loop active learning. Markov-chain Monte Carlo sampling in the semi-grand canonical ensemble is enabled by using virtual surface sites. The predicted surfaces for GaN(0001), Si(111), and SrTiO3(001) are in agreement with past work and suggest that the proposed strategy can model complex material surfaces and discover previously unreported surface terminations.

研究动机与目标

• 为克服在探索多组分材料庞大表面相空间时第一性原理计算模拟的计算瓶颈。
• 实现在不同热力学条件（温度、化学势、外加电势）下表面相图的精确且高效预测。
• 开发一种自主驱动的模拟循环，无需依赖人工引导的结构猜测，自动发现稳定的表面终止结构。
• 将高通量DFT数据与可微分、数据高效的机器学习势能相结合，降低计算成本的同时保持精度。
• 通过半巨正则系综中的虚拟表面位点，实现对复杂表面组成与构型的统计采样。

提出的方法

• 通过在高通量DFT计算的表面结构上进行闭环主动学习，训练快速、可扩展且数据高效的机器学习原子间势。
• 实施虚拟表面位点（VSS）形式化方法，实现在半巨正则系综中的马尔可夫链蒙特卡洛（MCMC）采样，支持表面物种的动态交换。
• 利用半巨正则系综对固定化学势下的表面组成与构型进行采样，实现吉布斯自由能最小化。
• 将表面吉布斯能 Ω_surf 定义为评估表面稳定性的关键热力学量，其近似表达为 Ω_surf ≈ E_slab - N_Ti·g_bulk_SrTiO3 - Γ_Ti_Sr·μ'_Sr - Γ_Ti_O·μ'_O。
• 采用扣除体相的化学势（μ'_Sr, μ'_O）以简化相图构建，并实现与实验条件的直接比较。
• 通过相对于体相化学计量比的表面过剩物种表达，将表面吉布斯能转化为适用于MCMC采样的形式。

Figure 1: Automatic Surface Reconstruction framework. (a) Beginning with a pristine surface and computer-generated virtual adsorption sites, VSSR-MC sampling is conducted in tandem with active learning of an NFF. The Monte Carlo nature of VSSR-MC is denoted by a pair of dice. Following multiple roun

实验结果

研究问题

• RQ1 通过主动学习训练的机器学习原子间势是否能够加速复杂多组分材料表面相图的预测？
• RQ2 虚拟表面位点是否能够实现在半巨正则系综中对表面组成与结构探索的高效且精确的马尔可夫链蒙特卡洛采样？
• RQ3 所提出的基于循环的模拟框架是否能够在无需人工输入或对结构先验假设的情况下，自动发现稳定的表面终止结构？
• RQ4 该方法在多大程度上能够预测与实验及先前理论结果一致的表面结构，如GaN(0001)、Si(111)和SrTiO3(001)？
• RQ5 该框架是否能够超越静态DFT结构的局限，捕捉在不同化学势和温度下（包括熵效应）的热力学稳定性？

主要发现

• 该方法成功预测了GaN(0001)、Si(111)和SrTiO3(001)的表面相图，其结果与先前的实验和理论研究一致。
• 该框架在SrTiO3(001)和GaN(0001)中发现了此前未报道的表面终止结构，证明其能够揭示非直观但热力学稳定的结构。
• 虚拟表面位点的使用实现了在半巨正则系综中高效的MCMC采样，支持表面组成与结构的动态变化。
• 通过闭环主动学习，机器学习势能在极少数据下实现了高精度，显著降低了对昂贵DFT计算的依赖。
• 该框架通过统计采样同时纳入焓和熵贡献，实现吉布斯自由能最小化，克服了静态DFT方法的局限性。
• 预测的表面相图以扣除体相的化学势（μ'_Sr, μ'_O）表示，使与实验条件（如O2分压和温度）的直接比较成为可能。

Figure 2: Active learning procedure for neural network force field. (a) An initial ensemble of NFF models is trained using a common dataset of available DFT data. Using the NFF to provide predictions of forces, energies and their SD, either adversarial attack or VSSR-MC with latent space clustering