DP能干这么多?DP在材料科学中的应用综述
The following article is from Materials Futures Author D. Srolovitz团队
研 究 背 景
原子模拟在材料科学中正在发挥越来越重要的作用,并正在改变以实验为主导的材料科学的研究方式。材料模拟中的原子模拟都需要输入某种形式的势能面(PES)来描述原子间的相互作用,从而可以确定原子的受力。获得势能面最准确的方法是在Born-Oppenheimer近似下,求解基于电子结构量子力学的薛定谔方程。
然而,在最广泛使用的电子结构方法密度泛函理论(DFT)中,计算速度一般和原子数的三次方成正比。这种正比关系使得DFT在大型材料系统(超过1000个原子)和长模拟时间(例如分子动力学MD的纳秒量级)的应用中非常昂贵。一种来解决这个效率问题并广泛应用的方法是开发经验的原子间势函数。这些势函数通常基于物理和化学的认知,通过假定一个解析函数来描述原子位置与系统能量之间的关系。尽管使用这些经验的原子间势函数可以很容易地进行大规模、长时间的原子模拟,原子模拟描述真实材料体系的准确性通常受到势函数假设的限制。在这个情况下,研究人员面临着一个窘境,即量子力学方法准确度高,但效率很低;经验原子间势函数效率高,但是通常准确度有限。
为了解决以上面临的问题,基于机器学习的势函数方法在近些年取得了巨大进展,并得到了广泛应用。深度势能(Deep potentials,简称DP)是机器学习势函数的一种,于2017年首次提出,已被广泛应用于不同的材料体系。DP的基础理论也不断地在发展,这使得DP能够更好地结合准确性和效率。最近,DP已在最先进的超级计算机上以第一性原理的精度应用于超过1亿个原子的MD模拟,并获得了2020年高性能计算的戈登贝尔奖,相关成果入选当年中国十大科技进展。这个例子充分体现了物理建模、机器学习和高性能计算的相互集成和融合。
研 究 亮 点
本综述介绍了应用于计算材料学中的深度势能DP方法,重点阐述DP方法背后的理论、DP的开发方法和使用。同时,本综述回顾了DP在不同材料体系中的应用,介绍了DP Library作为DP开发平台和数据库的作用,并在准确性和效率上将DP与第一性原理方法和经验势函数作了系统的比较。
图 文 导 读
01
DP的理论介绍
02
DP的相关软件
03
DP Library
04
DP压缩模型
05
DP针对特定应用的“专门化”
06
DP在材料科学中的应用范例
07
实际应用中DP的精度
虽然DP的灵活性对于描述复杂的势能面是很理想的,但DP最终的准确性往往受到DFT训练数据集精度的限制。由于DFT本身也是一种近似的方法,有时候不可能与真实情况完全一致。一般可以通过使用更准确的交换和关联DFT泛函来提高DFT的精度,比如爬Jacob的梯子,从LDA到GGA,到meta-GGA再到hybrid-GGA,再到非局域的方法。在实际应用中,DP最终的准确度和使用的训练数据集有关,而训练数据集的精度与选取的DFT泛函有关。由于Jacob梯子越往上,计算速度越慢,因此泛函的选取也是在精度和速度之间选择一个平衡。
08
实际应用中DP的效率
总结与未来展望
# 作 者 简 介 #
文 通 其
香港大学机械工程系博士后,曾在香港城市大学高等研究院担任杰出博士后。2014年本科毕业于西北工业大学,2019年博士毕业于西北工业大学与美国爱荷华州立大学埃姆斯国家实验室(联合培养)。主要研究领域包括材料的缺陷性质、液体和玻璃结构和动力学的分子动力学模拟、通过传统和机器学习方法开发原子间势函数、无机材料结构和物理性质的DFT计算等。曾获得2021年美国陶瓷协会Ross Coffin Purdy奖。张 林 峰
北京科学智能研究院副院长,北京深势科技公司创始人及首席科学家。2016年本科毕业于北京大学元培学院,2020年博士毕业于普林斯顿大学应用数学系。通过结合机器学习和多尺度建模方法,有效解决了计算化学、分子模拟、增强采样等方向中的一些关键问题,对物理、化学、材料、生物等领域的第一性原理建模和模拟产生较大影响。与合作者发展了DeePMD-kit等开源分子模拟软件和DeepModeling开源社区。2020年作为核心开发者的工作曾获得高性能计算领域最高奖ACM戈登贝尔奖,相关研究成果入选当年中国十大科技进展。王 涵
北京应用物理与计算数学研究所研究员。2002年进入北京大学数学科学学院学习,2006年获学士学位,2011年获博士学位,师从张平文院士。主要研究兴趣为分子模拟中的多尺度建模与计算方法,以及基于深度学习的分子建模。2019年入选北京市青年人才托举工程,曾获中国数学会计算数学分会第五届青年创新奖。2020年作为核心开发者的工作曾获得高性能计算领域最高奖ACM戈登贝尔奖,相关研究成果入选当年中国十大科技进展。鄂 维 南
中国科学院院士,北京科学智能研究院院长,北京大学国际机器学习研究中心主任。在国际上率先提出“AI for Science”的概念,大力推动了 AI for Science 在应用数学、物理、化学、力学、材料学、生物学等多个领域的发展。他和合作者们开创了深度学习和微分方程相结合的研究领域,并把机器学习系统地应用到多尺度建模领域,在量子多体问题、密度泛函理论、分子动力学、动力学方程、连续介质力学等多个领域都做出了原创性突破。他和合作者依靠在科学计算、机器学习和高性能计算交叉领域的突出贡献而获得2020年高性能计算最高奖ACM戈登贝尔奖,并受邀成为2022年国际数学家大会一小时报告人。David J. Srolovitz
美国工程院院士,香港工程科学院院士,香港大学工程学院院长,MRS、TMS、ASM以及英国物理学会会士,曾获MRS材料理论奖。主要从事材料理论与计算等方面的研究工作,在材料结构缺陷、固体微结构与形貌演化、材料力学行为与薄膜生长等领域取得了具有开创性与重大影响力的研究成果。曾任埃克森公司和洛斯阿拉莫斯国家实验室工作人员,也是新加坡高性能计算研究所的执行主管。曾在密歇根大学、普林斯顿大学、Yeshiva大学、宾夕法尼亚大学和香港城市大学担任教授,任教方向包括材料科学、机械工程、航空航天工程、计算机科学、物理学和应用数学等。