基於電荷的原子模擬實現，利用預訓練通用神經網路CHGNet

重新編寫的內容是：紫羅蘭

複雜電子交互作用的大規模模擬仍然是原子建模面臨的最大挑戰之一。雖然經典力場通常無法描述電子態和離子重排之間的耦合，但更準確的從頭算分子動力學受到計算複雜性的影響，無法進行長時間和大規模的模擬，而這對於研究技術相關現象至關重要

近日，來自加州大學柏克萊分校和勞倫斯柏克萊國家實驗室的研究人員，提出了一種基於圖神經網路的機器學習原子間勢（MLIP）模型：晶體哈密頓圖神經網路（Crystal Hamiltonian Graph Neural Network，CHGNet），可以對通用勢能面進行建模。

研究強調了電荷資訊對於捕獲適當的化學反應的重要性，並提供了對離子系統的見解，這些離子系統具有先前的 MLIP 無法觀察到的額外電子自由度。

研究以「CHGNet as a pretrained universal neural network potential for charge-informed atomistic modelling」為題，於 2023 年 9 月 14 日發佈在《Nature Machine Intelligence》上。

大規模模擬，如分子動力學（MD），是固態材料計算探索的重要工具。然而，精確建模電子相互作用及其在分子動力學模擬中微妙影響仍然是一個巨大的挑戰。經典力場等經驗方法通常不夠準確，無法捕捉複雜的電子交互作用

從頭算分子動力學(AIMD) 與密度泛函理論(DFT) 結合，可以透過明確計算密度泛函近似內的電子結構，產生具有量子力學精度的高保真結果。長時間、大規模的自旋極化 AIMD 模擬對於研究離子遷移、相變和化學反應至關重要，具有挑戰性且計算量極大。

諸如 ænet 和 DeepMD 之類的 MLIP，為彌合昂貴的電子結構方法和高效的經典原子間電位之間的差距提供了有希望的解決方案。然而，包含化合價對化學鍵的重要影響仍然是 MLIP 的一個挑戰。

電荷可以用多種方式來表示，從簡單的氧化態標籤到從量子力學推導出的連續波函數。將電荷資訊納入MLIP的挑戰來自於許多因素，例如表示的模糊性、解釋的複雜性、標籤的稀缺性等

需要重新寫作的內容是：CHGNet 架構

CHGNet根據材料項目軌跡資料集（MPtrj）的能量、力、應力和磁矩進行了預訓練。此資料集包含了對150萬個無機結構進行了10多年的密度泛函理論計算。透過明確包含磁矩，CHGNet能夠學習並準確表示電子的軌道佔據情況，從而增強了其描述原子和電子自由度的能力

MPtrj 資料集中元素的分佈如下圖所示

重寫內容：圖示：MPtrj資料集中元素的分佈。 （資料來源：論文）

在這裡，研究人員將電荷定義為一種原子屬性（原子電荷），可以透過包含磁矩（magmoms）來推斷。研究表明，透過明確地將特定位點的magmoms 作為電荷態約束納入CHGNet 中，既可以增強潛在空間正則化，又可以準確捕獲電子相互作用

CHGNet 的基礎是GNN，其中圖卷積層用於透過由邊{eij} 連接的一組節點{vi} 傳播原子資訊。 GNN 中保留了平移、旋轉和排列不變性。 CHGNet 以具有未知原子電荷的晶體結構作為輸入，並輸出相應的能量、力、應力和 magmoms。電荷裝飾結構可以從現場 magmoms 和原子軌道理論推斷出來。

重寫內容如下：圖示：CHGNet 模型架構。 （來源：論文）

在 CHGNet 中，透過在原始單元中每個原子 vi 的內搜尋相鄰原子 vj，將週期性晶體結構轉換為原子圖。

與其他GNN 不同，其中t 個卷積層後更新的原子特徵直接用於預測能量，CHGNet 正則化t−1 卷積層的節點特徵

以包含有關岩漿的資訊。正則化特徵攜帶有關局部離子環境和電荷分佈的豐富資訊。因此，用於預測能量、力和應力的原子特徵是受其電荷態資訊約束的電荷。因此，CHGNet 可以僅使用核位置和原子身份作為輸入來提供電荷態訊息，從而可以研究原子建模中的電荷分佈。

CHGNet 在固態材料中的應用

研究人員展示了 CHGNet 在固態材料中的幾種應用。展示了Na2V2(PO4)3 中原子電荷的電荷約束和潛在空間正則化，並展示了CHGNet 在LixMnO2 中的電荷轉移和相變、LixFePO4 相圖中的電子熵以及石榴石型鋰超離子導體Li3 xLa3Te2O12中的鋰(Li) 和擴散率。

為了合理化對原子電荷的處理，使用 NASICON 型鈉離子陰極材料 Na4V2(PO4)3 作為說明性範例。除了從 V 原子核的空間配位中學習之外，在沒有任何有關 V 離子電荷分佈的先驗知識的情況下，CHGNet 成功地將 V 離子區分為三價 V 和四價 V 兩組。

圖中展示了Na2V2(PO4)3中的磁矩和隱藏空間的規範化。 （引用自論文）

在LixFePO4 的研究中強調了CHGNet 區分

的能力，這對於包含電子熵和有限溫度相穩定性至關重要。

圖示：來自 CHGNet 的 LixFePO4 相圖。 （資料來源：論文）

在 LiMnO2 的研究中，證明了 CHGNet 能夠透過長時間的電荷資訊 MD 深入了解異價過渡金屬氧化物系統中電荷歧化和相變之間的關係。

重寫內容：圖示：Li0.5MnO2的相變和電荷分化。 （引自：論文）

接下來，我們研究了CHGNet在通用分子動力學模擬中的準確性。我們以石榴石導體中鋰擴散為研究對象

圖示：石榴石 Li3La3Te2O12 中的鋰擴散率。 （資料來源：論文）

結果顯示，CHGNet不僅能夠準確捕捉活化擴散網絡效應，而且其活化能量與DFT結果非常一致。這證明了CHGNet能夠準確地捕捉到鋰離子在局部環境中的強相互作用，並具備模擬高度非線性擴散行為的能力。此外，CHGNet能夠顯著減少模擬擴散率的誤差，並且透過擴展到奈秒模擬，能夠研究擴散率較差的系統

可進一步改進

雖然已經取得了以上的進步，但仍有進一步改進的空間

首先，使用magmom 進行價態推斷並不能嚴格確保全局電荷中性

其次，儘管對於離子系統中自旋極化計算的原子電荷來說，magmom是一個很好的啟發式方法，但人們意識到對於非磁性離子的原子電荷推斷可能是不明確的，因此需要額外的領域知識。因此，對於沒有magmom的離子，以原子為中心的magmom無法準確反映其原子電荷，CHGNet將從環境中推斷電荷，類似於其他MLIP的功能

可以透過結合其他電荷表示方法來進一步增強模型，例如電子定位函數、電極化和基於原子軌道的劃分。這些方法可以用於原子特徵工程在潛在空間中

CHGNet 可以實現基於電荷的原子模擬，適用於大規模計算模擬以研究異價體系，從而擴大了計算化學、物理學、生物學和材料科學中電荷轉移耦合現象的研究機會

請點擊以下連結查看論文：https://www.nature.com/articles/s42256-023-00716-3

以上是基於電荷的原子模擬實現，利用預訓練通用神經網路CHGNet的詳細內容。更多資訊請關注PHP中文網其他相關文章！