用于预测有机液体热导率的加速机器学习力场方法

《Materials Today Energy》:Accelerated machine learning force field for predicting thermal conductivity of organic liquids

【字体: 大 中 小 】 时间:2025年12月30日 来源:Materials Today Energy 8.6

编辑推荐:

  本研究提出基于机器学习力场(MLFF)的分子动力学模拟工作流程BAMBOO-TC,通过引入微分注意力机制和密度对齐方法,显著提高有机液体热导率预测精度(平均误差14%),优于传统力场(78%),并利用Triton框架加速计算。

  
魏峰|刘思远|王宏毅|穆振良|蒲志晨|韩旭|郑天泽|杨振泽|王志|高伟豪|曹一丹|于康|龚胜|闫文
字节跳动种子计划,中国

摘要

有机液体的热导率是一个重要的参数,影响着各种工业和环境应用,包括能量转换、电子冷却和化学加工。然而,由于经典力场的准确性有限以及从头算(ab initio)方法的计算需求巨大,有机液体热导率的原子级模拟一直受到阻碍。在这项工作中,我们提出了一种基于机器学习力场(MLFF)的分子动力学模拟工作流程,用于预测20种有机液体的热导率。在此过程中,我们将差分注意力(differential attention)的概念引入MLFF架构中,以提高学习能力,并利用液体的密度来使MLFF与实验结果保持一致。结果表明,该工作流程对各种有机液体的热导率预测的平均绝对百分比误差为14%,显著低于现有的商用经典力场(78%)。此外,MLFF使用Triton语言重新编写,以最大化模拟速度,从而实现快速的热导率预测。

引言

有机液体的热导率在许多工业和环境应用中是一个关键参数。这些液体在能量转换、电子冷却和化学加工等领域发挥着重要作用。理解和优化有机液体的热导率可以带来更高效的热管理系统[1],提升性能和可持续性。例如,在电子行业中,冷却液体的较高热导率直接有助于更好的散热,从而延长设备寿命并减少能源消耗[2]、[3]。在可再生能源领域,具有优化热性能的有机传热流体可以显著提高太阳能热能和地热能装置的效率[4]、[5]。此外,在液态电解质的发展中,热传递与锂电池的安全性和寿命密切相关[6]、[7]。
尽管液体的热导率非常重要,但使用原子级模拟方法准确预测它仍然具有挑战性。传统上,有两种主要方法来计算液体的热导率:一种是基于经典力场的分子动力学(MD)模拟,由于经典力场的功能形式简单且表达能力有限,其准确性受到限制。例如,在Zhang等人的研究中[8],使用经典力场通过逆非平衡分子动力学(rNEMD)模拟的水的热导率被高估了33%。尽管针对水专门设计的力场逐渐提高了热导率预测的准确性[9],但为液体的特定性质定制经典力场通常需要输入该液体的实验测量数据,这种方法往往会影响其他性质的预测[10]。因此,迄今为止,经典力场尚未被证明能够有效且可靠地模拟一般分子液体的热导率。
第二种方法是使用从头算(ab initio)分子动力学(AIMD)模拟。尽管从头算模拟具有准确描述大多数分子原子相互作用的潜力,但模拟的质量取决于具体使用的从头算方法。例如,Tisi等人[11]使用基于Perdew–Burke–Ernzerhof(PBE)密度泛函[12]、[13]和强约束适当归一化(SCAN)泛函[14]来模拟水的热导率。基于PBE的模拟误差(高估60%)大于基于SCAN的模拟误差(高估20%)。除了精度依赖于泛函形式外,热导率模拟的系统尺寸效应[15]、[16]也要求较大的模拟盒子,这使得AIMD在模拟液体热导率时效率低下,因为计算成本随系统尺寸的增加而显著增加(≥O(N3< />)。尽管从头算模拟具有通用性,但目前仍没有研究表明AIMD能比经典力场更准确地预测水的热导率[9]。
最近,由于机器学习力场(MLFFs)[17]在计算原子相互作用方面的速度远快于从头算模拟,并且与从头算数据的拟合精度更高,因此越来越多地被用于进行MD模拟[18]。尽管MLFFs在模拟固态材料的各种性质[19]、[20]、[21]方面得到了广泛应用,但关于其在模拟分子液体性质[22](尤其是传输性质)方面的应用文献报道较少。据作者所知,目前只有水这一系统通过MLFF进行了模拟[11]、[23]。这种匮乏可能是因为大多数MLFF的准确性仍受限于其背后的从头算训练数据。最近有研究表明,对MLFF进行微调可以用于模拟有机聚合物和其他系统的热导率[24]、[25]、[26]、[27]。为了解决这一限制,提出了两种策略:第一种是使用CCSD(T) [28]数据(量子化学模拟的黄金标准)来训练或微调MLFF[29],但这需要大量的计算资源来生成训练数据,并且尚未证明其能准确模拟有机液体的传输性质;第二种是使用实验数据将MLFF与现实世界对齐[30]、[31]、[32]、[33]。在我们最近的工作[32]、[33]中,我们发现将基于MLFF的MD模拟得到的密度与实验结果对齐可以显著提高MLFF对粘度和离子导电率的预测准确性。密度与传输性质之间的这种可转移性很有启发性,因为密度在实验中容易获得且在MD中容易计算,而传输性质在实验中通常更难测量且在MD中难以收敛。
在这项工作中,我们构建了一个基于MLFF的MD工作流程BAMBOO-TC(ByteDance AI Molecular Simulation Boiler-Thermal Conductivity),该流程可以使用单一MLFF模型模拟20种常见有机液体的热导率,平均偏差为14%,显著低于现有商用经典力场OPLS-AA[34]对有机液体的预测偏差(78%)。与BAMBOO[32]相比,我们在BAMBOO-TC中引入了“差分注意力”[35]概念到图等变变压器(GET)架构中,以提高MLFF的表达能力。此外,我们发现将基于MLFF的MD模拟得到的密度与实验结果对齐可以显著降低热导率预测的误差(从25%降至14%),这表明在模拟有机液体的传输性质时,将MLFF与现实世界对齐的必要性[32]。最后,为了解决分子动力学模拟过程中MLFF推理的高计算成本问题,BAMBOO-TC模型在Triton框架中进行了重新实现,以加快热导率的预测速度。

BAMBOO-TC工作流程概述

在这里,我们使用B3LYP级别的DFT数据[36]训练MLFF,并将其与实验数据对齐,如图1所示。首先,我们将有机液体中的局部原子环境采样为气相簇,然后使用B3LYP泛函[36]和def2-svpd基组[37]来计算它们的能量和原子力。需要注意的是,B3LYP泛函[36]是一种混合级别的密度泛函,被认为比Tisi等人[11]使用的PBE[12]、[13]和SCAN[14]更准确。

讨论

总之,这项工作首次证明单个MLFF模型可以用来模拟20种有机液体的热导率,平均偏差为约14%。基于图等变差分变压器(GEDT)架构的BAMBOO-TC工作流程实现了比OPLS-AA经典力场更低的预测误差(约78%的偏差)。我们的发现表明,MLFFs可以有效提高热导率的预测准确性。

CRediT作者贡献声明

魏峰:撰写——原始草案、方法论、研究、概念化。刘思远:撰写——原始草案、方法论、研究、概念化。王宏毅:撰写——原始草案、方法论、研究、概念化。穆振良:方法论、研究、概念化。蒲志晨:方法论、研究、概念化。韩旭:方法论、概念化。郑天泽:方法论、概念化。杨振泽:研究。王志:

代码可用性

源代码(包括GEDT模型、训练模块和用于MD模拟的LAMMPS接口)可通过GitHub在https://github.com/bytedance/bamboo的feature/thermal分支获取。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号