[论文解读] Universal Machine Learning Interatomic Potentials are Ready for Phonons

Antoine Loew, Dewen Sun+3 more|arXiv (Cornell University)|Dec 21, 2024

Machine Learning in Materials Science被引用 4

一句话总结

本文使用约10,000个从头算声子计算，对七种通用机器学习势（uMLIPs）在声子性质预测方面的性能进行了基准测试。尽管这些模型在平衡态下的能量和力预测方面表现优异，但多个模型在声子频率和热力学性质预测上仍存在显著误差，凸显了在训练uMLIPs时需显式考虑振动响应，而不仅限于基态性质。

ABSTRACT

There has been an ongoing race for the past several years to develop the best universal machinelearning interatomic potential. This progress has led to increasingly accurate models for predictingenergy, forces, and stresses, combining innovative architectures with big data. Here, we benchmarkthese models on their ability to predict harmonic phonon properties, which are critical for under-standing the vibrational and thermal behavior of materials. Using around 10 000 ab initio phononcalculations, we evaluate model performance across various phonon-related parameters to test theuniversal applicability of these models. The results reveal that some models achieve high accuracyin predicting harmonic phonon properties. However, others still exhibit substantial inaccuracies,even if they excel in the prediction of the energy and the forces for materials close to dynamicalequilibrium. These findings highlight the importance of considering phonon-related properties inthe development of universal machine learning interatomic potentials.

研究动机与目标

• 评估最先进的通用机器学习势（uMLIPs）在预测声子性质方面的性能。
• 确定仅基于平衡几何结构训练的uMLIPs是否能准确捕捉势能面的二阶导数，而该导数对声子至关重要。
• 评估在声子计算中，预测精度、计算效率与跨多种材料的泛化能力之间的权衡。
• 提供一个标准化的声子数据集和代码，以支持未来uMLIPs的开发与基准测试。

提出的方法

• 本研究通过phonopy软件包使用有限位移法，基于PBE泛函的DFT计算，对10,000种材料计算了力常数和声子色散关系。
• 所有uMLIPs均使用相同的PBE优化结构进行评估，几何优化通过ASE的FIRE算法完成，并通过FretchCellFilter保持对称性。
• 热力学性质（振动熵、亥姆霍兹自由能、比热）通过在300 K下对20×20×20 q网格上的声子态密度进行傅里叶插值得到。
• 模型在来自MDR和MPtrj数据库的10,000种材料组成的多样化数据集上进行测试，训练数据规模从188k到110M个结构不等。
• 基准测试包括七种uMLIPs：M3GNet、MACE、CHGNet、MatterSim、SevenNet、ORB和OMat24，每种模型均评估其在能量、力、声子频率和热力学性质方面的表现。
• 所有模型均为开源，完整的声子数据集已发布在Alexandria平台，采用知识共享署名4.0国际许可。

Figure 1: Distribution of (a) number of different chemical elements per unit cell, (b) crystal systems, and (c) band gaps calculated with the PBE functional for all the materials in the dataset.

实验结果

研究问题

• RQ1 通用机器学习势能否在广泛材料范围内准确预测声子频率和热力学性质？
• RQ2 为何一些在能量和力预测方面精度较高的uMLIPs在声子性质预测中仍表现不佳？
• RQ3 uMLIPs的计算效率与架构设计如何与声子预测精度相关联？
• RQ4 非平衡态训练数据在多大程度上能提升uMLIPs对声子性质的预测能力？

主要发现

• MatterSim和，程度稍低的SevenNet在声子频率预测中达到最高精度，具有较低的离散度和与PBE参考值的最小系统性偏差。
• 尽管在平衡态下能量和力预测表现优异，但M3GNet和CHGNet等模型在声子频率预测中仍表现出显著误差。
• 未显式包含非平衡态数据训练的模型在声子性质预测中误差更大，表明标准训练协议未能充分捕捉曲率信息。
• M3GNet是速度最快的模型，在单个CPU核心上甚至优于GPU加速模型，而OMat24和MACE是测试中速度最慢的uMLIPs。
• 本研究发现，仅基于平衡结构训练的uMLIPs无法可靠预测声子性质，强调未来训练中需纳入对曲率敏感的数据。
• 作者发布了约10,000种材料的综合性声子数据集及配套代码，以支持未来uMLIPs的开发与基准测试。

Figure 2: Periodic tables showing the frequency of the chemical elements in the structures from the dataset. Elements in gray are absent from the dataset.