机器学习势函数在钙钛矿相变研究中的关键影响因素与最佳实践

关注

VIP免费原创最新推荐文章于 2026-08-09 23:09:42 发布 779 阅读 AI 写同款· GEO 优化 ›

【信息科学与工程学】信息科学领域---第二篇材料工程15 材料参数09 E_a,cryst 越大，非晶态越稳定，数据保持力越好，但写入所需的能量也可能更高。分析材料电子结构的基本工具，可从中解读电学、光学、磁性等性质，并识别特定原子/轨道对费米能级附近态的贡献。用于判断模型是欠拟合（随样本增加，性能持续提升）还是过拟合（性能很快饱和），并评估收集更多数据的必要性。可判断晶格动力学稳定性（无虚频），计算声子态密度、热力学性质（如自由能、热容），并预测可能的结构相变。可以探测电子的集体激发（如等离激元）的色散关系 ω(q)，是研究材料电子激发和等离激元物理的有力工具。阅读详情

1. 项目概述与核心价值

如果你正在研究钙钛矿这类“明星”光电材料，特别是想从原子尺度理解它们在不同温度下的结构相变行为，那么传统的计算模拟方法可能会让你感到束手束脚。第一性原理分子动力学（AIMD）精度虽高，但算力消耗巨大，通常只能模拟几百个原子、几十皮秒的尺度，这对于研究涉及数千原子、跨越数百开尔文温区的缓慢相变过程，无疑是杯水车薪。而经典力场虽然速度快，但其预设的参数往往难以精准描述钙钛矿中复杂的键合与相变机制。正是在这个算力与精度两难的夹缝中，机器学习势函数（Machine Learning Potentials, MLPs）脱颖而出，成为了连接微观电子结构计算与宏观材料性能预测的“桥梁”。

简单来说，机器学习势函数就像一个极其聪明的“翻译官”。我们先用高精度的第一性原理方法（如密度泛函理论，DFT）计算一小部分代表性原子构型的能量和受力，生成一个高质量的“词典”。然后，MLP模型（比如本文使用的神经进化势，NEP）通过机器学习算法，从这本“词典”中学习原子坐标与能量/受力之间的复杂映射关系。一旦训练完成，这个MLP模型就具备了“举一反三”的能力：对于训练集之外的新原子构型，它能以接近DFT的精度、但堪比经典力场的速度，预测出系统的势能面。这使得模拟数万个原子、数百纳秒的长时间尺度动力学行为成为可能，从而让我们能够直接“观察”材料在升温或冷却过程中的相变路径、计算精确的相变温度、并分析其热力学性质。

本文所深入剖析的，正是将MLP应用于无机卤化物钙钛矿CsPbX3（X=Cl, Br, I）相变研究时，那些决定模拟结果可靠性的关键“阀门”。我们不仅仅满足于展示MLP能做什么，更要深挖 怎么做才能确保结果可信 。具体而言，我们将系统审视四个常被忽视或简化处理的核心因素：模拟的加热/冷却速率、所采用的超胞尺寸、MLP模型自身的不确定性，以及作为训练数据源的底层交换关联泛函（XC Functional）的选择。我们的目标是为领域内的同行，无论是刚接触MLP的新手还是寻求优化方案的资深研究者，提供一套经过严格基准测试的、可复现的“最佳实践”指南，并明确回答：在当前的算力与算法水平下，我们究竟能以多高的置信度，用MLP来预测钙钛矿的相变行为？

2. 核心思路与技术路线拆解

面对“用MLP研究CsPbX3相变”这个目标，一个鲁棒且可信的研究方案必须像搭建房屋一样，从地基到屋顶逐层夯实。我们的技术路线可以拆解为以下几个逻辑严密的步骤：

2.1 目标定义与数据基石：构建高质量的初始训练集

一切始于高质量的数据。对于CsPbX3，我们首先需要明确其可能存在的相关物相。这包括实验上已知的立方相（Pm-3m）、四方相（P4/mbm, I4/mcm）、正交相（Pnma）以及非钙钛矿结构的δ相（Pnma）。我们针对这五种原型结构，分别进行不同体积下的DFT结构弛豫计算，得到能量-体积曲线。这一步至关重要，因为它确保了训练集能覆盖这些相在零温下的稳定构型范围。

然而，零温的静态结构远不足以描述有限温度下的动力学。因此，我们采用了一种“主动学习”的增强策略：对每个原型结构构建超胞，并通过蒙特卡洛“抖动”方法引入随机原子位移，同时在体积上进行伸缩（85%-110%平衡体积）。这样生成的初始训练集，已经包含了结构畸变和体积变化的信息，为模型学习势能面的局部特征打下了基础。

2.2 模型构建与迭代优化：神经进化势（NEP）的实战

我们选择第三代神经进化势（NEP3）作为MLP的实现框架。NEP采用了一种相对简洁但高效的多层感知机神经网络架构。其描述符由径向（基于切比雪夫多项式）和角度（基于勒让德多项式）两部分构成，能有效捕捉原子环境的二体和三体相互作用。我们固定了一组经过预测试的超参数（如截断半径、描述符维数、网络隐藏层神经元数等），以确保不同泛函下模型架构的一致性，便于后续对比。

模型训练并非一蹴而就。我们采用了 自举（Bootstrapping）结合主动学习 的策略：

初代模型 ：用初始训练集训练一个“全模型”和五个由不同90-10数据分割得到的“集成模型”。
构型探索 ：利用“全模型”进行短时间的MD模拟，在一定的温度和压力范围内采样新的原子构型。
不确定性评估 ：用五个“集成模型”对这些新构型进行预测，计算其能量和受力的标准差。这个标准差就是模型对该构型预测“不确定度”的量化指标。
数据增强 ：选取那些不确定度较高的构型（即模型“吃不准”的区域），进行DFT计算，将结果加入训练集。
迭代循环 ：重复步骤1-4。通常经过3-4代迭代后，模型在感兴趣相空间区域的不确定度会降至与训练误差相当的水平，表明模型已收敛。

这个过程的核心思想是让模型自己“告诉”我们它在哪里学得不好，然后我们针对性地用DFT这个“老师”去补课。最终，我们得到的NEP模型在能量、力和维里张量上的均方根误差（RMSE）分别达到了约2 meV/atom, 50 meV/Å, 和15 meV/atom的优异水平，并且能完美复现各物相的能量差和能量-体积曲线。