[论文解读] Phonon predictions with E(3)-equivariant graph neural networks

Shiang Fang, Mario Geiger+2 more|arXiv (Cornell University)|Mar 17, 2024

Thermal properties of materialsMaterials Science被引用 3

一句话总结

本文提出 Phonax，一种 E(3)-等变图神经网络框架，通过计算学习到的能量模型的二阶导数（Hessian 矩阵），预测晶体和分子的声子色散关系与态密度。该方法实现了高精度、对称性感知的声子预测，并通过引入 Hessian 数据提升能量模型的泛化能力，直接将模型与实验可测的振动可观测量关联起来。

ABSTRACT

We present an equivariant neural network for predicting vibrational and phonon modes of molecules and periodic crystals, respectively. These predictions are made by evaluating the second derivative Hessian matrices of the learned energy model that is trained with the energy and force data. Using this method, we are able to efficiently predict phonon dispersion and the density of states for inorganic crystal materials. For molecules, we also derive the symmetry constraints for IR/Raman active modes by analyzing the phonon mode irreducible representations. Additionally, we demonstrate that using Hessian as a new type of higher-order training data improves energy models beyond models that only use lower-order energy and force data. With this second derivative approach, one can directly relate the energy models to the experimental observations for the vibrational properties. This approach further connects to a broader class of physical observables with a generalized energy model that includes external fields.

研究动机与目标

• 开发一种高效、对称性感知的方法，用于预测周期性晶体和分子的声子色散关系与态密度。
• 通过二阶导数（Hessian 矩阵）计算，建立机器学习能量模型与实验振动可观测量之间的直接关联。
• 通过引入 Hessian 数据作为高阶训练信号，提升原子间势能模型的泛化能力和精度。
• 将框架扩展至包含广义外部场（如电场）的场景，以预测 Born 有效电荷与介电响应。
• 提供一个统一的、可微分的框架，仅通过一个能量模型即可预测多种物理可观测量。

提出的方法

• 该方法采用 E(3)-等变图神经网络（GNN）从原子坐标和受力数据中学习可微分的能量模型。
• 通过 JAX 中的自动微分计算学习到的能量函数的 Hessian 矩阵（∂²U/∂xi∂xj），获得声子性质。
• 在平衡几何构型下计算 Hessian 矩阵，以推导晶体和分子的声子能带结构与态密度。
• 利用声子模式的不可约表示，推导出红外（IR）与拉曼（Raman）活性的对称性约束。
• 训练包含外部场耦合（如电场）的广义能量模型，至二次项阶，以实现 Born 有效电荷与介电常数的预测。
• 框架采用改进的 NequIP 架构，引入高阶导数，提升物理一致性与模型性能。

实验结果

研究问题

• RQ1 E(3)-等变 GNN 是否可用于高精度、高效率地预测声子色散关系与态密度？
• RQ2 在能量模型训练中引入 Hessian 数据，是否能提升其泛化能力与物理一致性？
• RQ3 该框架能否直接从 Hessian 矩阵与群论分析中预测对称性分辨的振动模式（如 IR/Raman 活性模式）？
• RQ4 引入高阶导数（如电场耦合产生的项）是否能增强能量模型的预测能力？
• RQ5 同一个能量模型是否能在统一的可微分框架下，同时预测多种物理可观测量，如声子、Born 有效电荷与介电常数？

主要发现

• Phonax 框架通过 E(3)-等变 GNN 的 Hessian 计算，实现了对无机晶体和分子声子色散关系与态密度的高精度、高效预测。
• 在训练过程中引入 Hessian 数据，显著提升了底层能量模型的泛化能力与精度，优于仅使用能量与受力数据训练的模型。
• 通过分析声子模式的不可约表示，该方法能正确预测对称性允许的 IR 与 Raman 活性模式。
• 通过自动微分计算外部电场的二阶导数，框架成功预测了 Born 有效电荷与介电常数。
• 包含至二次项外部场耦合的广义能量模型，提升了能量与受力的预测性能，尤其在高阶模型中表现更优。
• 该方法为机器学习势能与实验可测振动性质之间建立了直接的、可微分的联系，显著增强了物理可解释性与实际应用价值。