[论文解读] Machine learning based prediction of the electronic structure of quasi-one-dimensional materials under strain

Shashank Pathrudkar, Hsuan Ming Yu+2 more|arXiv (Cornell University)|Feb 2, 2022

Machine Learning in Materials Science参考文献 125被引用 9

一句话总结

本论文提出了一种机器学习模型，通过使用螺旋坐标和对称性感知表征，预测应变下准一维材料（如碳纳米管）的电子结构。该模型仅需约120个DFT生成的数据点进行训练，即可准确预测电子密度和赝电荷场，从而实现对带隙等性质的化学精度后处理，其性能优于直接通过神经网络预测原子位置或带隙位置的方法。

ABSTRACT

We present a machine learning based model that can predict the electronic structure of quasi-one-dimensional materials while they are subjected to deformation modes such as torsion and extension/compression. The technique described here applies to important classes of materials such as nanotubes, nanoribbons, nanowires, miscellaneous chiral structures and nano-assemblies, for all of which, tuning the interplay of mechanical deformations and electronic fields is an active area of investigation in the literature. Our model incorporates global structural symmetries and atomic relaxation effects, benefits from the use of helical coordinates to specify the electronic fields, and makes use of a specialized data generation process that solves the symmetry-adapted equations of Kohn-Sham Density Functional Theory in these coordinates. Using armchair single wall carbon nanotubes as a prototypical example, we demonstrate the use of the model to predict the fields associated with the ground state electron density and the nuclear pseudocharges, when three parameters - namely, the radius of the nanotube, its axial stretch, and the twist per unit length - are specified as inputs. Other electronic properties of interest, including the ground state electronic free energy, can then be evaluated with low-overhead post-processing, typically to chemical accuracy. We also show how the nuclear coordinates can be reliably determined from the pseudocharge field using a clustering based technique. Remarkably, only about 120 data points are found to be enough to predict the three dimensional electronic fields accurately, which we ascribe to the symmetry in the problem setup, the use of low-discrepancy sequences for sampling, and presence of intrinsic low-dimensional features in the electronic fields. We comment on the interpretability of our machine learning model and discuss its possible future applications.

研究动机与目标

• 开发一种数据高效的机器学习框架，用于预测机械应变下准一维材料的电子场。
• 通过利用全局结构对称性和电子场的固有低维特征，克服传统机器学习模型对高维数据的依赖。
• 实现对电子性质（如带隙位置和自由能）的精确预测，仅需极少的后处理步骤，基于预测的电子场。
• 对比并验证基于聚类的核坐标恢复方法与直接神经网络回归的性能，证明前者在原子位置预测中具有更高的准确性。

提出的方法

• 该模型使用螺旋坐标对电子场进行参数化，嵌入准一维材料（如纳米管）的几何对称性。
• 采用专门设计的数据生成管道，在螺旋坐标下求解适应对称性的Kohn-Sham密度泛函理论方程。
• 采用双头神经网络架构，从三个输入参数（平均半径Ravg、轴向拉伸α和单位长度扭转角τ）预测基态电子密度（N1）和核赝电荷（N2）。
• 使用低差异序列（Hammersley序列）高效采样参数空间，将数据需求减少至约120个点。
• 通过DBSCAN聚类从预测的赝电荷场中恢复原子坐标，利用原子电荷分布的局域化和球对称特性。
• 模型采用ReLU激活函数，Adam优化器（学习率0.001），早停策略（耐心值1000），以及弹性网络正则化（λ1 = λ2 = 10−5），以防止过拟合。

实验结果

研究问题

• RQ1 机器学习模型能否在极少量数据下预测准一维材料在应变下的完整3D电子场？
• RQ2 与局部原子环境描述符相比，引入全局结构对称性和螺旋坐标在提升数据效率和预测精度方面有何优势？
• RQ3 能否通过聚类方法可靠地从预测的赝电荷场中重建原子坐标？与直接神经网络回归相比表现如何？
• RQ4 对预测的电子场进行后处理是否能实现带隙位置的化学精度预测？与直接预测带隙索引的神经网络方法相比表现如何？
• RQ5 实现高精度预测所需的最少训练数据点数量是多少？哪些因素促成了这种低数据需求？

主要发现

• 该模型仅使用约120个训练数据点，即可在预测的电子密度和赝电荷基础上，实现对基态电子自由能等电子性质的化学精度预测。
• 基于聚类的原子坐标恢复方法在预测核位置误差方面显著优于直接神经网络回归。
• 该模型正确捕捉了应变下扶手椅型碳纳米管中带隙位置（ν索引）的移动，其结果在多种测试案例中（包括未知的Ravg、α和τ）与DFT结果一致。
• 直接神经网络预测带隙位置的循环对称性索引（ν）误差较高（例如，1.82 vs. 2.00 DFT），而基于后处理的方法将误差保持在DFT值的±0.1–0.3 Bohr以内。
• 采用对称性感知的螺旋坐标和低差异采样，显著提升了数据效率，优化架构下测试误差降至10−5（ρ场）和10−4（b场）。