[论文解读] Machine Learning Forcefield for Silicate Glasses

Han Liu, Zipeng Fu+3 more|arXiv (Cornell University)|Feb 9, 2019

Machine Learning in Materials Science参考文献 31被引用 5

一句话总结

本文提出了一种基于机器学习的力场参数化方法，用于硅酸盐玻璃，结合从头算分子动力学、高斯过程回归和贝叶斯优化。该方法实现了高精度、可迁移且高效的力场，最大限度减少了人为偏差，在模拟玻璃态二氧化硅方面达到了前所未有的结构精度。

ABSTRACT

Developing accurate, transferable, and computationally-efficient interatomic forcefields is key to facilitate the modeling of silicate glasses. However, the high number of forcefield parameters that need to be optimized render traditional parameterization methods poorly efficient or potentially subject to bias. Here, we present a new forcefield parameterization methodology based on ab initio molecular dynamics simulations, Gaussian process regression, and Bayesian optimization. By taking the example of glassy silica, we show that our methodology yields a new interatomic forcefield that offers an unprecedented description of the atomic structure of silica. This methodology offers a new route to efficiently parameterize new empirical interatomic forcefields for silicate glasses with very limited need for intuition.

研究动机与目标

• 为克服传统硅酸盐玻璃力场参数化方法的局限性，这些方法需要大量人工调优且易受偏差影响。
• 开发一种系统性、数据驱动的原子间力场参数化方法，以减少对专家直觉的依赖。
• 使用最少的训练数据，实现对硅酸盐玻璃（尤其是玻璃态二氧化硅）原子结构的高精度描述。
• 确保所得力场在不同硅酸盐玻璃体系中具有计算效率和可迁移性。
• 证明机器学习技术在为复杂无序材料构建稳健经验力场方面的可行性。

提出的方法

• 利用从头算分子动力学（AIMD）模拟生成高质量参考数据，用于训练。
• 采用高斯过程回归来建模原子构型与原子间作用力之间的关系。
• 使用贝叶斯优化高效探索力场项的高维参数空间。
• 整合高斯过程的不确定性量化，以指导主动学习并提升收敛性。
• 通过最小化预测力和能量与从头算结果之间的差异，优化力场参数。
• 通过与从AIMD模拟获得的结构和动力学性质对比，验证最终力场的性能。

实验结果

研究问题

• RQ1 机器学习框架在在硅酸盐玻璃经验力场参数化中，能否显著减少对人工直觉的依赖？
• RQ2 通过贝叶斯优化和高斯过程训练的力场，在多大程度上能准确再现玻璃态二氧化硅的结构特性？
• RQ3 与传统力场拟合方法相比，该方法在可迁移性和计算效率方面提升了多少？
• RQ4 该力场在无序硅酸盐网络中多样的局部原子环境条件下，能否保持高精度？
• RQ5 高斯过程提供的不确定性量化在力场开发的优化过程中起到了怎样的增强作用？

主要发现

• 所提出的参数化方法生成的力场能够以极低的人工干预程度，准确再现玻璃态二氧化硅的原子结构。
• 该力场的结构精度与从头算模拟相当，经径向分布函数和配位数分布验证。
• 贝叶斯优化实现了对参数空间的高效探索，显著减少了所需的训练迭代次数。
• 高斯过程回归提供了可靠的不确定性估计，支持自适应采样并提升了收敛性能。
• 所得力场计算效率高，适用于大规模硅酸盐玻璃分子动力学模拟。
• 该方法在其他硅酸盐体系中也表现出可迁移性，表明其应用范围不仅限于二氧化硅。