机器学习力场ML-MTPs与流程自动化

Posted · Add Comment

概述

传统的力场往往受到其函数形式的限制，只能精确地描述相空间的一小部分。当研究对象包含复杂的材料或界面时，往往缺乏有效的力场形式和参数，通常的做法是通过将各种简单体系计算得来的经验势拼凑在一起。这样做不仅复杂、耗时，更重要的是，对于非晶结构和不同材料之间的界面等复杂体系常常会导致很大的误差。

基于机器学习的 Moment Tensor Potential（ML-MTPs）使用一组从头算的数据集进行模型训练，得到的力场参数可以用于模拟复杂的、多元素的晶体、非晶、液晶、界面、缺陷和掺杂等实际体系，计算精度接近从头算，计算速度却可以比从头算快数百到上千倍。

ML-MTPs的优势

相较于其他机器学习力场，ML-MTPs有多种优势：

  • 描述符可以有效的描述多体效应
  • 描述符不需要高度复杂和计算耗时的 ML 算法
  • 训练集可以在不损伤精度的情况下扩增，不需要进行数据清洗

应用

  • MTPs 力场可以高精度、快速的计算原子间相互作用（能量、力、张力），进行分子动力学、结构优化和 NEB 模拟；
  • 加速的 MD 方法包括可以对罕见事件采样、研究慢速机制的 fbMC等
  • 模拟实际的、复杂的多元素晶体、无定形材料、界面，缺陷和杂质的迁移势垒、热输运、结晶过程等

精度与速度

  • 使用力场进行计算比 DFT 快 100~1000 倍
  • MTP是目前市面上最精确和高效的 ML 力场

图：几种主流的机器学习力场的对比

  • 与从头算精度几乎一致，特别适合没有传统力场或需要更高精度的情况

图：ML-MTP力场与DFT计算结果的对比

自动化流程

  • MTPs 使用不同材料、元素的代表性结构的从头算结果数据集进行训练
  • QuantumATK 包含自动化的流程框架（Study Object 脚本），完成对力场模型的训练、模拟、验证，用户可以自行扩展和开发适用于新材料的 MTPs 力场

  • 主动学习 MTP 可以在分子动力学（MD）模拟过程中自动增加 DFT 训练集
    • 有助于更好的获得（高温条件下）无定形材料、液体的结构
  • 使用delta方法可以扩展MTP（将多种MTPs叠加使用），用于更复杂的多层体系：训练MTP使得可以不损伤已有材料MTPs精度的前提下添加新的材料层。

图：在MD过程中增加训练集改善MTP力场。

参考

立即试用 QuantumATK！