新火種
2023-10-27 
中科大原子神經網絡力場研究取得重要進展為通用機器學習模型提供新思路｜科技觀察
封面新聞見習記者 車家竹
10月23日，記者從中國科學技術大學獲悉，由蔣彬帶領的課題組在發展場誘導的原子神經網絡力場研究方面取得重要進展。研究成果以“描述原子體系對于外場響應的通用機器學習力場”為題，并于2023年10月12日發表在《自然通訊》上。
用原子模擬助力
從微觀層面理解化學世界
原子模擬是人們在微觀層面理解復雜化學、生物和材料體系的光譜、反應動力學以及能量和電荷轉移過程的關鍵工具，其關鍵要素是精確且高效的高維勢能面（即力場）。
近年來，基于精確的原子中心的機器學習相互作用勢進行高效、準確的分子模擬已經成為一種常用的做法。然而，這些模型通常是用于描述孤立體系，將能量僅視為原子坐標和原子種類的函數，無法表達外場與體系之間的相互作用。外場可以通過與原子、分子或固體材料的相互作用來引發體系的電子極化，自旋極化以及空間取向的變化。
這為改變化學結構、控制材料的相變、精確操縱催化反應中的化學反應性和選擇性提供了一個重要的工具。因此，亟需開發正確描述外場與體系相互作用的機器學習模型，以實現外場下復雜反應的精確且高效的模擬。
受量子化學啟發
研究高精度機器學習力場方法
此外，記者還了解到，蔣彬教授的課題組長期以來一直致力于高精度機器學習力場方法的研究。受到量子化學中原子軌道線性組合為分子軌道的概念啟發，研究人員提出了遞歸嵌入原子電子密度描述符，再將外場視為虛擬的原子（見圖1），引入場依賴的原子軌道與基于坐標的原子軌道線性組合來得到對稱性適配的場依賴嵌入電荷密度，從而發展出了場誘導的對稱性匹配的遞歸嵌入原子神經網絡方法。
圖1：場誘導遞歸嵌入原子神經網絡模型示意圖
相較于2019年的研究成果，研究團隊改進了前期發展的嵌入原子神經網絡方法，使得嵌入電荷密度描述符中的軌道系數變為化學環境依賴，以遞歸的通過更新嵌入電荷密度描述符實現，提出遞歸嵌入原子神經網絡方法（見圖2）。
圖2：遞歸嵌入原子神經網絡模型的示意圖
有趣的是，這種神經網絡方式與物理上不太直觀的消息傳遞神經網絡形式本質上相同。研究團隊進一步證明可以通過遞歸更新軌道系數的形式來引入更多體相互作用，推導出完備地描述一個局部化學環境，確定迭代次數（消息傳遞的次數）與近鄰原子數之間的關系。該方法無需顯式計算高階相互作用，極大地簡化了計算，并從多體相互作用的角度解釋了消息傳遞型神經網絡的優越性。
經過幾年來的努力，日前發表的最新成果，該方法能夠將偶極矩、極化率等各種響應性質與外場依賴的能量變化精確地關聯起來，適用于外場存在下的分子和周期性體系的光譜和動力學模擬。特別值得一提的是，對于周期性體系，這一模型只需訓練原子力數據能克服周期性體系內在的極化多值問題。通過甲基乙酰胺和液態水的動力學模擬結果（見圖3和圖4），驗證了這一模型在強外場條件下對各種復雜體系高效建模的能力。
圖3：甲基乙酰胺分子的振動光譜
圖4：液態水的紅外光譜
這項研究工作將物理概念與機器學習描述符相關聯，為發展更通用的機器學習模型提供了新的思路。
相關推薦
- 免責聲明
- 本文所包含的觀點僅代表作者個人看法，不代表新火種的觀點。在新火種上獲取的所有信息均不應被視為投資建議。新火種對本文可能提及或鏈接的任何項目不表示認可。 交易和投資涉及高風險，讀者在采取與本文內容相關的任何行動之前，請務必進行充分的盡職調查。最終的決策應該基于您自己的獨立判斷。新火種不對因依賴本文觀點而產生的任何金錢損失負任何責任。
