[论文解读] The dark side of the forces: assessing non-conservative force models for atomistic machine learning

Filippo Bigi, Marcel Langer+1 more|arXiv (Cornell University)|Dec 16, 2024

Machine Learning in Materials ScienceMaterials Science被引用 3

一句话总结

本文研究了原子尺度机器学习中的非保守力模型，表明直接预测力而不强制能量守恒会导致几何优化和分子动力学模拟中出现严重不稳定。尽管计算效率有所提升，但能量不守恒的问题难以纠正，作者主张将非保守预测与保守模型结合，以实现速度与稳定性的平衡。

ABSTRACT

The use of machine learning to estimate the energy of a group of atoms, and the forces that drive them to more stable configurations, has revolutionized the fields of computational chemistry and materials discovery. In this domain, rigorous enforcement of symmetry and conservation laws has traditionally been considered essential. For this reason, interatomic forces are usually computed as the derivatives of the potential energy, ensuring energy conservation. Several recent works have questioned this physically constrained approach, suggesting that directly predicting the forces yields a better trade-off between accuracy and computational efficiency, and that energy conservation can be learned during training. This work investigates the applicability of such non-conservative models in microscopic simulations. We identify and demonstrate several fundamental issues, from ill-defined convergence of geometry optimization to instability in various types of molecular dynamics. Given the difficulty in monitoring and correcting the lack of energy conservation, direct forces should be used with great care. We show that the best approach to exploit the acceleration they afford is to use them in conjunction with conservative forces. A model can be pre-trained efficiently on direct forces, then fine-tuned using backpropagation. At evaluation time, both force types can be used together to avoid unphysical effects while still benefitting almost entirely from the computational efficiency of direct forces.

研究动机与目标

• 评估在原子模拟中直接预测力而非从能量导出的非保守力模型的实际可行性。
• 识别在几何优化和分子动力学中因能量不守恒而引发的根本性问题。
• 在真实模拟中比较保守模型与非保守模型的性能与稳定性。
• 探索是否可在训练过程中有效学习或校正非保守模型中的能量守恒。
• 提出一种混合策略，利用非保守力实现加速，同时通过保守校正保持能量守恒。

提出的方法

• 在相同数据集上训练一个保守图神经网络（PET-C）和一个非保守变体（PET-NC），采用共享的消息传递架构。
• 将非保守模型的预测结果用作多时间步长（MTS）积分器中的快速力，同时以保守力作为慢速校正。
• 采用速度-Verlet积分器结合MTS方法模拟NVE和NVT动力学，使用非保守力进行快速步长计算，每M步使用一次保守力。
• 在NVT模拟中应用随机速度重标定（SVR）热浴以维持恒定温度。
• 通过保守模型的输出对非保守头进行微调，以在保持计算速度的同时提高力的准确性。
• 使用结构和动能温度指标，将MTS模拟的轨迹与参考保守轨迹进行比较。

实验结果

研究问题

• RQ1 非保守力模型在分子动力学模拟中是否可被可靠使用而不引起不稳定性？
• RQ2 能量不守恒如何影响机器学习势能中几何优化的收敛性？
• RQ3 在训练过程中，非保守模型中能量守恒能在多大程度上被学习或校正？
• RQ4 时间步长大小和MTS积分顺序对非保守力模拟稳定性有何影响？
• RQ5 结合非保守力与保守力的混合方法是否能同时实现计算效率与物理一致性？

主要发现

• 当多时间步长（MTS）因子M超过8时，非保守力模型在NVE分子动力学模拟中导致轨迹严重不稳定，表现为动能温度显著漂移。
• 由于能量景观定义不清且缺乏能量守恒，几何优化无法可靠地使用非保守力收敛。
• MTS模拟中M=8时实现了接近理想的加速效果，同时保持了稳定性，并与参考保守轨迹高度一致。
• 使用MTS且M=8的水模拟中，O-O、H-H及取向相关性等结构相关性与参考保守模型相比差异极小，均在两个标准误差范围内。
• SVR热浴可实现使用非保守力的稳定NVT采样，但仅在M ≤ 8时成立，否则会因共振驱动导致不稳定性。
• 通过保守模型输出对非保守头进行微调，可在不牺牲计算效率的前提下提升力的准确性，从而实现实用的混合方法。