利用神经网络原子间势构建化学基础模型

《npj Computational Materials》：Leveraging neural network interatomic potentials for a foundation model of chemistry

　　

摘要

在计算材料科学领域，包括通用神经网络原子间势能在内的大规模基础模型已经取得了显著进展。尽管这些模型在加速原子级模拟方面表现优异，但在模拟某些特定性质时仍面临挑战。机器学习为结构与性质的映射提供了另一种解决方案，但不同的机器学习方法存在各自的优缺点：基于特征的方法往往缺乏泛化能力，而深度神经网络则需要大量的数据及强大的计算资源。为解决这些问题，我们提出了HackNIP，这是一种两阶段流程，它利用预训练的通用原子间势能模型。该方法首先从通用原子间势能基础模型中提取嵌入向量，然后将这些嵌入向量作为固定长度的特征向量，用于训练后续模型以实现结构与性质的预测。本研究探讨了通过这种方式“改造”原子间势能模型是否能够超越端到端的深度神经网络，确定了该方法优于直接微调原子间势能模型的数据集规模范围，以及哪些嵌入深度能够产生最具信息量的特征。总体而言，这项工作展示了一种用于克服材料科学中结构与性质预测方面缺点的混合策略，从而降低了实际材料设计工作的门槛。