SLUSCHI-UP:基于通用机器学习原子间势的SLUSCHI熔点计算网络平台

《Computational Materials Science》:SLUSCHI-UP: A web infrastructure for SLUSCHI melting-temperature calculations using universal machine-learning interatomic potentials

【字体: 大 中 小 】 时间:2026年09月28日 来源:Computational Materials Science 3.7

编辑推荐:

   摘要熔化温度是高温材料设计的一项关键性质,但基于有限温度分子动力学的从头算熔化计算往往需要大量计算资源。SLUSCHI 方法通过使用小单元固液共存模拟以及对大量短分子动力学轨迹进行统计分析来降低这一成本。本文提出了 SLUSCHI-UP,这是一个已部署的网页服务,用于原子尺度

  

摘要

熔化温度是高温材料设计的一项关键性质,但基于有限温度分子动力学的从头算熔化计算往往需要大量计算资源。SLUSCHI 方法通过使用小单元固液共存模拟以及对大量短分子动力学轨迹进行统计分析来降低这一成本。本文提出了 SLUSCHI-UP,这是一个已部署的网页服务,用于原子尺度熔化温度估计,将 SLUSCHI 工作流与可选的预训练通用机器学习原子间势(uMLIPs)以及异步 GPU 执行相结合。用户通过 Materials Project 标识符或 POSCAR 输入提交晶体结构,选择 uMLIP 后端,并启动排队中的熔化计算,而无需本地安装模拟软件。当前的生产界面支持 mace-mpa-0-medium、Allegro-OAM-L 和 DPA-3.2-5M-OMat24,而 beta 部署则公开了更多模型。在紧凑的 MeltBench-10 验证集上,三个生产后端产生的原始共存平均绝对误差在 174–283 K 范围内,PBE 校正后改善至 155 K。在 MeltBench 中迄今测试的更广材料集合上,当前已部署作业快照包含 206 个原始 uMLIP 条目,PBE 校正后的 Allegro-OAM-L 预测达到约 197 K 的平均绝对误差。这些数值应被解释为筛选级别的基础设施验证,而非 uMLIP 的权威排序。这些结果表明,SLUSCHI-UP 在快速的标量熔化温度预测器与昂贵得多的第一性原理共存计算之间提供了一个实用、可溯源的部署层,同时保留了 uMLIP 可迁移性、有限尺寸采样和高温轨迹稳定性的通常局限。

引言

熔化温度 Tm 是材料选择、相图构建以及高温材料设计最重要的热力学性质之一。它制约着难熔陶瓷、涡轮与高超声速材料、冶金体系、增材制造原料、熔盐、地球物理矿物以及多组分合金的应用。尽管重要,Tm 在高通量环境中仍难以确定。实验对于不稳定和多组分化合物往往缓慢、危险或不可行,而第一性原理计算由于需要广泛的有限温度采样,在计算上也十分昂贵。常规方法如热力学积分和大单元固液共存模拟每个材料可能需要约 104–105 CPU-小时,使得常规筛选变得不切实际。
已开发了几种计算策略来估计熔化温度。自由能方法比较固相和液相的相对热力学稳定性,代表性方法包括粒子插入化学势、对分布函数熵、两相热力学、热力学积分以及广义熵计算 [1]、[2]、[3]、[4]。大单元共存模拟在分子动力学中直接演化固液界面,并从界面运动或相稳定性确定熔化温度 [5]、[6]、[7]、[8]。小尺寸共存方法提供了一种统计替代方案:不是稳定一个大界面,而是启动许多小的共存模拟,并根据初始混合的固液构型演化为类固态或类液态的概率来推断熔点 [9]。相应的 SLUSCHI 代码为第一性原理分子动力学自动化了这一工作流,最初通过 VASP 实现 [10]、[11]。尽管 SLUSCHI 显著降低了相对于常规大界面方法的熔化计算成本,但其原始密度泛函理论电子结构计算对于单个材料仍可能需要数天到数周的计算时间。
通用机器学习原子间势(此处缩写为 uMLIPs)的最新进展使得无需为每种材料构建系统专用经验势即可加速该工作流成为可能。诸如 M3GNet [12]、CHGNet [13]、MatterSim [14] 和 MACE-MP [15] 等模型已展示了广泛的化学覆盖能力,用于原子能量与力预测。与此同时,我们最近的工作表明,将 SLUSCHI 与 LAMMPS 和预训练机器学习势耦合,至少可以将计算成本降低一个数量级,同时保持有用的筛选精度 [16]、[17]。这些发展创造了将熔化温度计算从专家驱动的命令行工作流向广泛可及、原子尺度且可重复的网页基础设施推进的机会。
在此,我介绍 SLUSCHI-UP,一个已部署的网页服务,将 SLUSCHI 熔化工作流与可选 uMLIPs 相结合。用户通过 Materials Project 标识符或粘贴的 POSCAR 内容提供晶体结构,选择一种支持的势后端,例如 mace-mpa-0-medium、Allegro-OAM-L [18]、[19] 或 DPA-3.2-5M-OMat24 [20]、[21],并通过邮箱验证的网页界面提交作业。该服务在后台的 GPU 上执行所需的分子动力学,跟踪诸如结构、模型选择、检查点和作业标识符等元数据,并返回熔化温度估计值及相关的诊断信息。因此,SLUSCHI-UP 填补了快速公式预测器(可提供标量估计但缺乏原子共存信息 [22])与昂贵第一性原理共存计算 [9]、[10] 之间的空白。在本文中,我描述已部署的基础设施、支持的 uMLIP 后端、熔化工作流以及紧凑的 MeltBench-10 验证结果 [23],同时强调这些预测仍然是筛选估计,其精度取决于模型可迁移性、有限尺寸采样以及高温固液轨迹的稳定性。
SLUSCHI-UP 的贡献并不是一种新的熔化温度算法,而是一个已部署的基础设施层,使原子尺度熔化计算可广泛获取。该平台通过浏览器界面将已建立的 SLUSCHI 小尺寸固液共存方法与现代通用机器学习原子间势集成,消除了用户安装 SLUSCHI、LAMMPS 或模型专用软件的需要。用户通过 Materials Project 标识符或 POSCAR 文件提交晶体结构,选择一种支持的 uMLIP 后端,其余工作流(包括结构准备、共存单元构建、分子动力学执行、轨迹分析和熔化温度估计)通过异步 GPU 支持的服务自动处理。为鼓励社区使用和独立验证,当前公开部署允许每个已验证用户每 24 小时进行一次免费计算。通过结合自动化、溯源跟踪、可重复性和公开可及性,SLUSCHI-UP 降低了原子熔化温度预测的门槛,并为通用机器学习原子间势的基准测试和验证提供了一个共同平台。更广泛地说,该服务有可能通过让更广泛的材料科学社区能够获取可及、可重复、透明的先进共存模拟,为熔化温度计算确立新的标准(见图 2 和表 1)。

章节摘录

当前公开部署

SLUSCHI-UP 建立在更广泛的材料网络基础设施历史之上。诸如 Materials Project 和 MPContribs 等平台为已计算和已贡献的材料数据提供网页和 API 访问 [26]、[27]。OpenKIM 为原子间模型、模型元数据、测试和可重复性提供标准化基础设施 [28]、[29]。AiiDAlab 展示了基于浏览器的工作流界面如何能在保留 AiiDA 溯源的同时扩大对自动原子尺度计算的访问 [30]。

熔化温度工作流

SLUSCHI-UP 的工作流从提供的晶体结构开始,该结构可以以 Materials Project 标识符或粘贴的 POSCAR 内容形式提供。该结构会被解析、检查元素有效性、标准化,并转换为适合共存单元构建的形式。当提供 Materials Project 标识符时,对应的数据库结构被用作权威输入。这种基于结构的工作流很重要,因为熔化行为取决于所选的多晶型

结果:MeltBench 验证

MeltBench 作为 SLUSCHI-UP 的公开验证层。它持续将 SLUSCHI-UP 的预测与无机材料的实验测量或已协调的熔化温度进行比较,并报告原始 uMLIP 结果、PBE 校正结果和实验残差校正 [23]。在本文中,我以两种方式使用 MeltBench。首先,MeltBench-10 提供了一个适合正文的紧凑、精选验证集。其次,更广泛的 MeltBench 快照表明该

讨论

有限尺寸效应是部署小单元共存工作流的一个重要实际考量。在 SLUSCHI-UP 中,模拟单元被自动选择以满足尽可能的最小 11 ? 有效半径以及至少 100 个原子。图 6 展示了使用 Allegro-OAM-L 后端对 Al、NaCl 和 ZrO2 的代表性尺寸依赖性测试。结果显示了系统依赖性行为:小单元可能引入明显的位移,而较大的单元通常产生

未来工作

当前的生产部署公开了三个经过验证的 uMLIP 后端,而 beta 界面已包含额外的实验模型,如 PET、SevenNet 和 CHGNet。未来的工作将专注于通过 MeltBench 框架评估这些以及其他新兴的通用机器学习原子间势,并扩大可用于公开验证的材料范围。随着基准集的扩展,它将提供更全面的 uMLIP 熔化温度

结论

我提出了 SLUSCHI-UP,一个用于使用 SLUSCHI 风格的小尺寸固液共存模拟(由通用机器学习原子间势加速)进行熔化温度估计的已部署网页基础设施。当前的公开服务接受 Materials Project 标识符或 POSCAR 结构,自动构建共存模拟,通过共享 GPU 队列执行分子动力学,并返回原子尺度熔化温度估计,而无需用户

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系,这些关系可能会影响本论文所报告的工作。

致谢

本研究由 美国国家科学基金会 资助,资助编号为 DMR-2209026。作者感谢 亚利桑那州立大学计算中心 托管已部署的 SLUSCHI-UP 服务。本工作通过高级网络基础设施协调生态系统:服务与支持(ACCESS)项目的分配 MAT260050,使用了 NCSA 的 Delta GPU,该项目由 美国国家科学基金会 资助 #2138259、#2138286、#2138307、#2137603 和 #2138296 支持。
Qi-Jun Hong
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