静态电荷与动态电荷的同时学习——基于机器学习原子间势的静电荷(Static Charges)与玻恩有效电荷(Born Effective Charges, BECs/Atomic Polar Tensors, APTs)联合建模评估

《Physical Chemistry Chemical Physics》：Simultaneous learning of static and dynamic charges

　　

长程相互作用与电响应对于凝聚相体系的高精度建模至关重要，但如何高效捕捉这两类效应仍是原子尺度机器学习面临的挑战。传统上，这两种现象可分别用表征原子间库仑相互作用的静电荷（static charges）和描述体系对外电场响应的动态电荷——即玻恩有效电荷（Born effective charges，又称原子极化张量 atomic polar tensors, APTs）——来表示。研究人员以体相水和水团簇为范例体系，批判性比较了在单一模型架构内学习上述两类电荷的三种策略：（1）独立学习静电荷与BEC；（2）基于二者物理关系引入单一全局耦合常数来考量介电屏蔽，将静电荷与动态电荷耦合学习；（3）采用依赖于局部化学环境的屏蔽因子进行耦合学习。研究发现，耦合情形下介电屏蔽修正是必要的，但均匀、各向同性屏蔽的常用假设在水团簇等非均匀体系中失效；引入依赖于环境的学习型屏蔽因子可恢复BEC预测的高精度，然而相较于独立预测BEC的方案其精度提升微乎其微，且计算开销高于静电荷与BEC分别用独立子模型预测的作法。结果表明，尽管静电荷与BEC存在形式上的理论关联，对凝聚相及孤立团簇体系而言，分别对二者进行独立建模是更实用的选择。

《Physical Chemistry Chemical Physics》刊载论文解读：静态电荷与动态电荷的同时学习——基于机器学习原子间势的静电荷与玻恩有效电荷联合建模评估

研究背景与意义

现代机器学习原子间势（Machine-Learned Interatomic Potentials, MLIPs）已能在大幅降低计算成本的同时接近量子化学精度描述分子与凝聚相的结构与动力学，但大多数MLIP局限于无外场模拟，无法原生纳入外电场影响或预测电响应性质（如红外IR光谱）。已有工作尝试通过端到端学习静电荷（static charges，用于长程库仑求和）或学习玻恩有效电荷（Born Effective Charges, BECs，又称原子极化张量 Atomic Polar Tensors, APTs，描述原子受力随外电场的变化，即线性电响应）来赋予MLIP外场感知能力。部分研究进一步假定均匀各向同性介电屏蔽（dielectric screening），试图从学习的静电荷经单一比例因子推导BEC，以满足二者理论上的物理关联（红外电荷 q^IR_i与 BEC Z_i的关系含电荷流项）。然而该均匀屏蔽假设在异质体系（界面、团簇、混合物）中未必成立。本文以体相水与水团簇为范例，系统评估非耦合（uncoupled，静电荷与BEC独立输出）、全局屏蔽耦合（global γ）、局域屏蔽耦合（local γ_i）三种策略在精度、物理解释性与计算代价上的差异，明确静电荷与动态BEC应否及如何联合学习，为通用MLIP的电响应扩展提供依据。

研究人员通过构建含可微分Ewald求和的长程MLIP架构，分别在物理可解释的库仑形式（physical long-range architecture）及更富表现力的LOREM形式下训练三类模型，对比体相水与水团簇的BEC预测误差、能量/力误差及由MD得到的IR谱，得出结论：全局单一屏蔽因子无法兼顾体相与团簇的不同介电响应致BEC误差偏大；局域环境依赖屏蔽可修复精度但不优于独立预测BEC且增加计算量；推荐将静电荷作为拟合库仑能/力的伪电荷（pseudo charges，不赋予特定物理电荷划分含义），并独立以 ab initio BEC数据为标签显式学习动态电荷。该研究为MLIP同时纳入长程静电与外场响应的架构选择提供了实证指导。

主要关键技术方法

研究人员构建含自动微分Ewald求和的长程MLIP，以局部化学环境描述子 ξ_i预测原子伪电荷 q_i(ξ_i) 用于长程静电项 U^lr，并分别实现：(i) 非耦合模型——q_i用于U^lr，BEC Z_i由另一equivariant分支独立预测；(ii) 全局耦合模型——先训能量/力求 q_i，后拟合单一全局 γ 使 q^IR_i=γq_i代入 Z_i公式；(iii) 局域耦合模型——网络额外预测环境依赖标量 γ_i(ξ_i)，q^IR_i=γ_iq_i构造 Z_i，联合训能量/力/BEC。数据集为revPBE-D3/CP2K计算的体相水(Water)及水团簇(Water Clusters, 1–20分子，含BEGDB、GMTKN、MD采样最远点抽样)，BEC由中心有限差分外电场下原子受力求得。以含能量、力、BEC及电荷中性惩罚的L₂损失训练，用ASE跑NVT-MD算IR谱（极化-时间关联函数取虚部 χ″）。

研究结果

Static and dynamic charges

BEC Z_i^αβ= ?P^α/?r_i^β= q^IR_iδ_αβ+ 电荷流项（位移引起电荷重分布贡献）。静电荷（红外电荷 q^IR）重现偶极矩，BEC额外含动态电荷流，故分称静态/动态电荷。

Long-ranged machine learned potentials via learned static charges

模型学伪电荷 q_i(ξ_i) 不经特定划分方案对齐，仅最小化能/力及（若适用）BEC误差，通过可微分Coulomb求解或Ewald求U^lr=?Σ_i≠jq_iq_j/|r_i?r_j|（无PBC）及周期像处理。物理版直接用 Σ q_iφ_j，扩展版LOREM对φ做可学习函数 f_θ再乘 q_i。

Uncoupled static/dynamic charge prediction

非耦合架构中 q_i专用于U^lr，BEC由equivariant球谐特征经Clebsch–Gordan耦合映射为3×3矩阵拟合DFT标签，两输出分支共享 ξ_i但无显式约束关系。

Coupled static/dynamic charge prediction

耦合架构用 q^IR_i=γq_i（全局）或 q^IR_i=γ_i(ξ_i)q_i（局域）代入 Z_i公式。全局γ拟合物化 ε_∞关联但此处仅作可训/后拟合参数；局域γ_i捕捉空间不均但保持各向同性。周期边界下用基于原子间距平移不变形式的 Z_i表达式避开局域位置歧义。PBC中naive定义致极化密度不定，本文改用粒子间距形式计算。

研究人员发现：全局γ模型在体相水与水团簇混合验证集上BEC误差显著偏大（单一γ无法同时匹配体相与团簇不同有效介电响应）；局域γ_i模型及非耦合模型BEC精度相当且均优。水团簇中悬挂OH与氢键OH的γ_i呈双峰分布，大团簇趋近体相平均值（≈1.22±0.09），证明环境依赖屏蔽必要。能量/力误差各模型相近，非耦合略优；耦合引入常数倍计算开销。IR谱显示全局γ严重高估弯曲模强度、低估并蓝移伸缩模，固定平均电荷次之，而局域γ_i与非耦合模型贴近实验体相水参考及彼此吻合。

讨论与结论（翻译Conclusion部分）

MLIP日益尝试通过引入原子中心静电荷及利用其物理关联推导动态电荷来纳入长程静电与外场耦合，但缺乏对该物理关联能否可靠预测动态电荷的明确评估，亦无耦合架构显式训练动态电荷是否优于分别处理的系统研究。本文在显含静电相互作用的模型中以具高质量参考数据与关键长程极化效应的体相水与水团簇为受控测试体系，证明即便在此较简单情形，作为Coulomb项系数学习的静电荷与BEC仅呈相关性；二者关系无法用跨异质环境的单一因子描述——在拟合含变尺寸团簇的数据集时会失效。研究显示耦合模型中恢复定量一致性须采用空间变化的屏蔽系数；虽提高精度但消除了物理约束本欲带来的简洁性，且不比直接以BEC为独立学习目标具计算优势。相反，将动态电荷视为独立明确定义的观测量分别学习可获更高精度、更佳红外强度再现及更低复杂度。尽管规避显式计算参考BEC（尤当IR谱对BEC适度误差较不敏感时）诱人，结果显示可观测且系统的差异仍出现（尤对具实验参照的体相水）；此时具局域屏蔽或解耦电荷响应的模型比全局屏蔽或固定电荷法更准确复现相对强度与峰位。结果表明，考虑异质数据集时，用 ab initio BEC数据显式训练可强改善定量精度。据此研究人员建议：（i）使用静电势捕捉长程相互作用，不赋予静电荷物理意义——其为模型依存的量；（ii）以明确的 ab initio BEC数据显式且独立地学习动态电荷。