为何物理学仍有价值:利用声子(Phonon)信息数据集提升材料性质机器学习(Machine Learning, ML)预测精度

《Advanced Intelligent Discovery》:Why Physics Still Matters: Improving Machine Learning Prediction of Material Properties With Phonon-Informed Datasets

【字体: 大 中 小 】 时间:2026年03月29日 来源:Advanced Intelligent Discovery

编辑推荐:

  摘要:机器学习(Machine Learning, ML)方法已成为以接近第一性原理精度且大幅降低计算成本预测材料性质的有力工具。然而,ML模型的性能关键取决于训练数据集的质量、规模及多样性。在材料科学中,这种依赖性对于学习能捕捉热激发、结构缺陷和化学无序的低

  
摘要:机器学习(Machine Learning, ML)方法已成为以接近第一性原理精度且大幅降低计算成本预测材料性质的有力工具。然而,ML模型的性能关键取决于训练数据集的质量、规模及多样性。在材料科学中,这种依赖性对于学习能捕捉热激发、结构缺陷和化学无序的低对称性原子构型尤为重要——这些特征在实际材料中普遍存在,但在大多数数据集中代表性不足。因此,缺乏生成代表性训练数据的系统性策略可能限制ML模型在能源转换与光子学等技术关键领域的预测能力。本研究评估了在两类本质不同的数据集上训练的图神经网络(Graph Neural Network, GNN)模型的有效性:一类由随机生成的原子构型组成,另一类基于晶格振动(Lattice Vibrations/Phonons)进行物理信息采样构建。作为案例研究,研究人员针对典型光电材料家族在真实有限温度条件下的电子与力学性质预测这一挑战性任务展开研究。研究发现,尽管依赖更少的数据点,基于声子信息(Phonon-Informed)的模型始终优于随机训练的对应模型。可解释性(Explainability)分析进一步揭示,高性能模型对控制性质变化的化学有意义键赋予更大权重,强调了物理引导数据生成的重要性。总体而言,本工作证明更大的数据集未必产生更好的GNN预测模型,并提出了一种简单通用的策略,用于高效构建材料信息学(Materials Informatics)中的高质量训练数据。
论文解读:利用声子信息数据集提升反钙钛矿材料性质图神经网络预测精度
研究背景与立项依据
过去十年,机器学习(Machine Learning, ML)已深刻变革材料科学,可从高通量数据中推断成分-结构-性质关联并加速筛选候选材料。然而,ML模型的准确性与泛化能力高度依赖于底层训练数据集的物理代表性与多样性。当前材料数据集常稀缺、含噪声或偏向熟知的化学体系,导致模型外推能力差。传统观念认为单纯扩大数据集规模即可提升精度,但通过第一性原理(First-Principles/DFT)产生大规模数据集计算代价高昂。尤其对于功能性材料的有限温度行为研究,热晶格振动即声子(Phonon)强烈影响电子与力学性质(如带隙重整化、相稳定),而捕捉此类效应需昂贵的有限温度模拟,限制了可用数据量。现有多数训练集采用随机扰动原子位形采样构型空间,易引入非物理排布,掩盖真实结构-性质关系。因此,如何以较少高质量、物理相关的数据构建训练集成为材料信息学(Materials Informatics)的核心挑战。本研究以银硫卤反钙钛矿(Silver Chalcohalide Antiperovskites, Ag3SBr等)为例,探讨物理引导——特别是基于声子(Phonon-Informed)的原子位移采样——能否比随机采样生成更优GNN训练集。
主要关键技术方法
研究人员选取典型反钙钛矿材料Ag3SBr、Ag3SI及固溶体Ag3SBr0.5I0.5,通过密度泛函理论(Density Functional Theory, DFT)采用PBEsol泛函计算平衡几何与性质。构建两类非平衡原子构型数据集:(1)随机均匀位移方案——各原子按U(-δ, +δ)在笛卡尔方向平移;(2)物理信息声子位移方案——基于准谐近似(Quasi-Harmonic Approximation)计算的声子本征矢与振幅(含Bose-Einstein分布),借助DynaPhoPy软件包生成热可达位形。晶体结构经周期边界处理映射为图(Graph),节点含原子序数/Z、原子质量/m、原子半径/r、电负性χ特征,边由5.5 ?截断半径(Cutoff Radius)判定并以欧氏距离为边特征。采用图神经网络(Graph Neural Network, GNN;消息传递层权重由边距离调制)预测每原子能量(Energy per Atom)、带隙(Band Gap, Eg)、价带顶(Valence Band Maximum, VBM)及静水应力(Hydrostatic Stress),数据集按7:1.5:1.5划分训练/验证/测试集,经超参数寻优(学习率、隐层通道数、Dropout),并运用PyTorch Geometric可解释性工具分析边重要性。另设从头算分子动力学(ab initio Molecular Dynamics, AIMD, 300/500/700 K)生成数据集作对比。
研究结果
2.1 Dataset and Graph Generation(数据集与图生成)
研究人员对反钙钛矿立方Pm3?m结构施加两类位移生成~3000个非平衡构型,涵盖300 K热运动。晶体周期性通过构建超胞保留,图截断半径经收敛测试定为5.5 ?(覆盖第一配位层)。径向分布函数证实该截断合理。两类数据集内原子对距离分布相近,保证后续GNN带隙预测具可比性。
2.2 GNN Model Training(GNN模型训练)
六类架构、多组超参数组合共480个模型分别训练四目标性质。最优GNN在训练/验证/测试集上均表现良好:能量MAE≈0.022–0.028 eV/atom,带隙MAE≈0.035 eV,VBM MAE≈0.024 eV,静水应力MAE≈0.60–0.65 GPa,R2多高于0.79–0.99,误差分布中心为零且无过拟合,证明GNN可有效复现DFT级反钙钛矿无序体系预测。
2.3 GNN Model Performance(GNN模型性能——数据集类型与规模影响)
聚焦最具挑战的带隙预测,对比两数据集训练效果。两模型约在800个训练结构后收敛,但声子信息模型达到R2≈0.86、MAE≈0.031 eV,显著优于随机位移模型(R2≈0.79、MAE≈0.038 eV),且优于合并双倍数据量的混合集。交叉测试显示声子训练模型泛化至随机位移集时误差亦更低(MAE低约0.005 eV)。声子集含低能热可及构型,排除随机集大量高能非物理排列,使模型更易学到键-带隙关联。与AIMD衍生集对比,声子集训练的GNN略优(MAE与RMSE更小、R2略高),因AIMD采样相关性强、多样性弱且计算昂贵,而声子采样额外成本低且覆盖更佳。
2.4 GNN Model Explainability(GNN模型可解释性)
通过边重要性分析发现:高性能(声子训练)GNN将高重要性(>0.5)赋予少数Ag–S键,其他键(如Br–Br)权重近零;低性能(随机训练)GNN对各键赋予较均匀中等权重,无法区分化学电子学相关性。DFT态密度显示导带底与价带顶近带边处Ag-4d与S-3p轨道杂化明显,软声子模式扭曲晶格致成键/反键分裂增大、导带下移致带隙缩小,故Ag–S键是温度依赖带隙的主控因素。高性能模型自动学到此物理机制,印证物理信息数据助GNN习得真实结构-性质规律。
讨论与结论翻译
讨论指出,基于声子扰动的物理信息数据生成捕捉材料热可及构型,排除随机扰动引入的非物理短键与完全无序排布,引导模型关注相关自由度。可解释性分析表明优模型识别化学相关键(Ag–S),差模型则无此区分,说明可解释性工具可验证ML是否学到有意义的构效关系。此策略亦适用于机器学习原子间势(Machine Learning Interatomic Potentials, MLIPs)构建。虽AIMD取样合理但计算贵且时间受限致冗余探索,本文声子本征矢/振幅法代价极低且易实现,为高效可靠ML驱动材料发现提供路径。
结论:本研究表明,将数据生成中融入物理知识——此处通过声子信息原子位移——可显著提升图基ML模型预测材料性质的精度、泛化能力与可解释性。物理有意义数据可战胜规模大得多的随机数据集,凸显根植于基本原理的数据集设计与模型架构同等重要。除在真实300 K条件下建模反钙钛矿光电性质外,本研究发现确立了一广泛适用策略,可加速并使ML驱动材料发现合理化,为跨材料类别构建更高效、可解释的模型提供途径。
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