[论文解读] On the Atomic Cluster Expansion: interatomic potentials and beyond

Christoph Ortner|arXiv (Cornell University)|Aug 8, 2023

Machine Learning in Materials Science被引用 2

一句话总结

原子簇展开（ACE）通过在球谐函数中使用多项式基，提供了一种系统可改进的、旋转不变的多体展开形式的原子间势能，实现了线性标度的计算效率和高精度。它能够构建通用、可解释且可迁移的机器学习原子间势能，适用于多种材料，性能优于传统的经验模型。

ABSTRACT

KIM REVIEW, Volume 1, Article 01, 2023

研究动机与目标

• 开发一种系统可改进的、通用的原子间势能框架，同时保持物理可解释性。
• 通过实现原子环境描述符的线性标度计算，克服传统多体展开的组合爆炸问题。
• 提供一种灵活、计算高效且具有物理基础的方法，用于构建机器学习原子间势能（MLIP）。
• 将MLIP的应用范围从能量预测扩展到包含电荷、磁矩等协变性质，以及多层架构。
• 为将多体相互作用整合到深度学习架构中奠定基础，实现在分子动力学模拟中的最先进性能。

提出的方法

• 使用旋转和反射不变的球谐函数多项式基表示原子环境，确保在空间变换下的不变性。
• 重新表述多体展开，包含重复和自相互作用的簇，实现紧凑且线性可扩展的计算方案。
• 采用四阶段计算流程：径向基函数 Rnl，球谐函数 Ylm，张量积 A(i)_{nlm}，以及通过矩阵 C 组合系数以计算位点能量 Ei。
• 使用线性模型 Ei = θ · B(i)，其中可训练系数 θ 允许进行贝叶斯主动学习和不确定性量化。
• 将框架扩展至参数化非能量性质（如电荷、磁偶极矩）以及构建基于ACE特征的多层模型。
• 通过协变架构（如 ALLEGRO 和 MACE）实现与深度学习的集成，这些架构源自ACE的理论基础。

实验结果

研究问题

• RQ1 是否可以在保持物理可解释性和计算效率的同时，使多体展开具有系统可改进性？
• RQ2 如何在不引发组合爆炸的前提下，在高维原子环境描述符中强制实现旋转和置换不变性？
• RQ3 ACE在多大程度上可作为建模总能量之外多种物理性质的通用基础？
• RQ4 ACE能否用于推导或解释现代深度学习架构在分子模拟中成功的原因？
• RQ5 在实际材料模拟中，ACE与SOAP、SNAP和MTP等替代描述符相比，在性能和可扩展性方面表现如何？

主要发现

• ACE通过重新参数化的簇展开（包含重复和自相互作用簇）实现了多体相互作用的线性标度计算。
• 在截断半径、多体阶数和多项式基大小不断增加的极限下，该方法实现了系统可改进性，因此在机器学习意义上具有通用性。
• ACE已成功用于参数化铜、碳、镁、铁以及铂铑纳米颗粒的最先进原子间势能，精度极高。
• 基于ACE的模型已成功集成到ALLEGRO和MACE等先进深度学习架构中，现已成为MLIP精度的最先进水平。
• 基于球谐函数的公式化设计使其天然兼容量子化学方法，增强了在量子材料研究社区中的采纳度。
• ACE为解释和扩展协变深度学习模型提供了理论基础，如在推导E3NN和NequIP中的应用所示。