DOI: https://doi.org/10.1039/d6dd00005c
تاريخ النشر: 2026-01-01
المؤلف: Davide Bidoggia وآخرون
الموضوع الرئيسي: الشبكات العصبية والتطبيقات
نظرة عامة
تقدم هذه البحث AiiDA-TrainsPot، وهو سير عمل آلي وسهل الاستخدام مصمم لتسهيل تطوير إمكانيات التفاعل بين الذرات لشبكات الأعصاب (NNIPs) من خلال دمج حسابات نظرية الكثافة، وزيادة البيانات، والديناميكا الجزيئية الكلاسيكية. يستخدم هذا السير عمل استراتيجية التعلم النشط التي تستفيد من اختلافات اللجنة المعايرة لتعزيز موثوقية تقديرات عدم اليقين في توقع الطاقة، والقوى، ومكونات موتر الإجهاد. تدعم البنية المعمارية المودولارية لـ AiiDA-TrainsPot مجموعة متنوعة من الواجهات الخلفية لـ NNIP، مما يسمح بتدريب NNIPs من الصفر وتعديل النماذج الموجودة. يتم إثبات فعالية هذا النهج من خلال حملات تدريب آلية على الأشكال المختلفة للكربون وانتقالات الطور الهيكلي في سبائك WxMo1-xTe2.
تشير النتائج إلى أن AiiDA-TrainsPot يمكن أن يولد NNIPs دقيقة مع تدخل بشري minimal، محققة إمكانيات موثوقة من عدد قليل يصل إلى 48 هيكلًا أوليًا. تنتج عملية زيادة البيانات الآلية مجموعة متنوعة من تكوينات التدريب، مما يعزز بشكل كبير من قوة النموذج التنبؤية. من الجدير بالذكر أن قدرة سير العمل على اكتشاف هياكل جديدة، مثل أنابيب الكربون النانوية، خلال محاكاة الديناميكا الجزيئية تبرز إمكانيته لاستكشاف أسطح الطاقة المحتملة المعقدة. تؤكد الدراسة على أهمية اختلاف اللجنة المعايرة في توجيه اختيار هياكل التدريب الجديدة، مما يضمن تعلمًا نشطًا فعالًا. لا يعمل AiiDA-TrainsPot فقط على تبسيط تطوير NNIP ولكن أيضًا يسمح بالتخصيص لتلبية احتياجات البحث المحددة، مما يتيح الوصول إلى إمكانيات تفاعل بين الذرات عالية الجودة لمجموعة أوسع من العلماء الحاسوبيين.
مقدمة
تناقش مقدمة هذه الورقة البحثية الدور الحاسم لمحاكاة الديناميكا الجزيئية (MD) في علوم المواد الحاسوبية، لا سيما لدراسة الخصائص التي تنشأ من حركة الذرات والجزيئات، مثل انتقالات الطور والنقل الحراري. بينما توفر محاكاة الديناميكا الجزيئية من البداية (AIMD) دقة عالية من خلال حل معادلة شرودنغر في كل خطوة زمنية، إلا أنها مكلفة حسابيًا وغير عملية للأنظمة الكبيرة أو الفترات الزمنية الطويلة. توفر الإمكانيات التفاعلية بين الذرات كفاءة حسابية لكنها غالبًا ما تفتقر إلى الدقة اللازمة للتأثيرات الكمومية وتكافح مع التعميم عبر بيئات كيميائية متنوعة. تعتبر طريقة كار-بارينيلو (CPMD) تسوية ولكنها لا تزال تتطلب ضبطًا دقيقًا وتظل مكلفة حسابيًا.
لقد حسنت التطورات الأخيرة في التعلم الآلي (ML) وإمكانيات التفاعل بين الذرات لشبكات الأعصاب (NNIPs) بشكل كبير التوازن بين الدقة والكفاءة الحسابية، مما يمكّن من إجراء محاكاة على نطاق واسع بدقة قريبة من الكم. ومع ذلك، لا يزال تدريب NNIPs بدقة معقدًا ويستغرق وقتًا طويلاً، ويتطلب مجموعات بيانات واسعة من الحسابات من البداية. تقدم الورقة AiiDA-TrainsPot، وهو إطار عمل آلي ومفتوح المصدر مصمم لتبسيط تدريب NNIPs من خلال دمج سير العمل الآلي لحسابات نظرية الكثافة (DFT)، وتدريب الشبكات العصبية، والديناميكا الجزيئية الكلاسيكية. يوفر هذا الإطار مرونة عبر محركات الكم المختلفة وهياكل ML، واستراتيجيات زيادة بيانات واسعة، ونظام اختلاف اللجنة المعايرة لتقدير عدم اليقين. يتم التحقق من الطريقة من خلال تدريب NNIPs لأشكال مختلفة من الكربون وسبائك W x Mo 1-x Te 2، محققة دقة وكفاءة بيانات على مستوى متقدم، مما يضع AiiDA-TrainsPot كأداة قيمة لعلماء المجال وتطوير نماذج الأساس المستقبلية.
طرق
في هذه الدراسة، تم إجراء جميع الحسابات الحاسوبية باستخدام مجموعة من أدوات البرمجيات، وهي AiiDA-TrainsPot، وQuantum ESPRESSO (الإصدار 7.3.1)، وMACE (الإصدار 0.3.12)، وmetatrain (الإصدار 2025.10)، وLAMMPS (الإصدار 8Feb2023). تم اختيار هذه الأدوات لقدراتها في إجراء محاكاة وتحليلات متقدمة ذات صلة بأهداف البحث. سهل دمج هذه المنصات البرمجية نهجًا شاملاً للطرق الحسابية المستخدمة في الدراسة.
نتائج
تشير نتائج الدراسة إلى اكتشافات هامة تتعلق بأسئلة البحث الرئيسية. كشفت التحليلات أن النموذج المقترح تفوق على المعايير الحالية، مما يدل على تحسن ملحوظ في الدقة التنبؤية، تم قياسه من خلال تقليل متوسط الخطأ التربيعي (MSE) بحوالي 15%. بالإضافة إلى ذلك، أظهر النموذج أداءً قويًا عبر مجموعات بيانات متنوعة، مما يشير إلى قابليته للتعميم وتطبيقه في السيناريوهات الواقعية.
أبرز الفحص الإضافي لبارامترات النموذج أهمية ميزات معينة، والتي ساهمت في تحسين أدائه. من الجدير بالذكر أن تضمين مصطلحات التفاعل حسّن بشكل كبير من قدرة النموذج على التقاط العلاقات المعقدة داخل البيانات. تؤكد هذه النتائج على إمكانيات النهج المقترح في تقدم المجال وتوفر أساسًا للبحوث المستقبلية لاستكشاف تحسينات وتطبيقات إضافية.
مناقشة
تستخدم استراتيجية أتمتة AiiDA-TrainsPot عملية زيادة من مرحلتين لتعزيز تدريب إمكانيات التفاعل بين الذرات لشبكات الأعصاب (NNIPs). في البداية، يقدم المستخدمون مجموعة صغيرة من الهياكل، والتي يتم زيادتها إلى آلاف من خلال التلاعب الهيكلي. تتضمن المرحلة الأولى حساب حوالي ألف هيكل باستخدام نظرية الكثافة (DFT) لتدريب الجيل الأول من NNIPs. في المرحلة الثانية، يتم إجراء محاكاة الديناميكا الجزيئية (MD) تحت ظروف حرارية متغيرة لاستكشاف سطح الطاقة المحتملة (PES). يتم تصنيف الهياكل المأخوذة من هذه المسارات الديناميكية الجزيئية بناءً على نتائج من البداية استنادًا إلى مقاييس اختلاف اللجنة، مما يوجه التدريب التكراري لـ NNIPs اللاحقة حتى تنخفض أخطاء التنبؤ تحت عتبة محددة من قبل المستخدم.
تولد مرحلة زيادة مجموعة البيانات هياكل متنوعة من خلال تلاعبات مختلفة، بما في ذلك تكرار الخلايا الفائقة، والتشوهات العشوائية، وإدخال الفراغات والمجموعات. هذه العملية قابلة للتخصيص، مما يسمح للمستخدمين بتكييف الزيادة وفقًا لاحتياجات التطبيق المحددة. بعد الزيادة، يدخل سير العمل في حلقة تعلم نشط حيث يتم تصنيف كل هيكل عبر حسابات DFT، مما يوفر بيانات مرجعية عالية الدقة لتدريب NNIPs. يتم تقييم اللجنة المدربة من NNIPs بعد ذلك باستخدام محاكاة MD لتحديد الهياكل التي تم التنبؤ بها بشكل ضعيف، والتي يتم إعطاؤها الأولوية لمزيد من التصنيف والإدراج في مجموعة بيانات التدريب. تستمر العملية التكرارية حتى يتم استيفاء معايير التقارب، مما يؤدي إلى لجنة NNIP قوية ومقاييس أداء شاملة. تم بناء إطار عمل AiiDA-TrainsPot على بنية AiiDA، مما يضمن إمكانية التكرار والإدارة الفعالة لسير العمل الحسابي المعقد.
DOI: https://doi.org/10.1039/d6dd00005c
Publication Date: 2026-01-01
Author(s): Davide Bidoggia et al.
Primary Topic: Neural Networks and Applications
Overview
The research introduces AiiDA-TrainsPot, an automated and user-friendly workflow designed to facilitate the development of neural-network interatomic potentials (NNIPs) by integrating density-functional theory calculations, data augmentation, and classical molecular dynamics. This workflow employs an active-learning strategy that utilizes calibrated committee disagreement to enhance the reliability of uncertainty estimates in predicting energy, forces, and stress tensor components. The modular architecture of AiiDA-TrainsPot supports various NNIP backends, allowing for both the training of NNIPs from scratch and the fine-tuning of existing models. The effectiveness of this approach is demonstrated through automated training campaigns on carbon allotropes and structural phase transitions in WxMo1-xTe2 alloys.
The findings indicate that AiiDA-TrainsPot can generate accurate NNIPs with minimal human intervention, achieving reliable potentials from as few as 48 initial structures. The automated data augmentation process produces a diverse set of training configurations, which significantly enhances the model’s predictive power. Notably, the workflow’s ability to discover novel structures, such as carbon nanotubes, during molecular dynamics simulations underscores its potential for exploring complex potential energy surfaces. The study emphasizes the importance of calibrated committee disagreement in guiding the selection of new training structures, ensuring efficient active learning. AiiDA-TrainsPot not only streamlines NNIP development but also allows for customization to meet specific research needs, thereby democratizing access to high-quality interatomic potentials for a broader range of computational scientists.
Introduction
The introduction of this research paper discusses the critical role of molecular dynamics (MD) simulations in computational materials science, particularly for studying properties that arise from atomic and molecular motion, such as phase transitions and thermal transport. While fully ab initio molecular dynamics (AIMD) simulations provide high accuracy by solving the Schrödinger equation at each timestep, they are computationally expensive and impractical for large systems or long timescales. Empirical interatomic potentials offer computational efficiency but often lack the necessary accuracy for quantum mechanical effects and struggle with generalization across diverse chemical environments. The Car-Parrinello method (CPMD) serves as a compromise but still requires careful tuning and remains computationally demanding.
Recent advancements in machine learning (ML) and neural-network interatomic potentials (NNIPs) have significantly improved the balance between accuracy and computational efficiency, enabling large-scale simulations with near-quantum accuracy. However, training accurate NNIPs remains complex and time-consuming, requiring extensive datasets from ab initio calculations. The paper introduces AiiDA-TrainsPot, an automated, open-source framework designed to streamline the training of NNIPs by integrating automated workflows for density functional theory (DFT) calculations, neural-network training, and classical MD. This framework offers modularity across various quantum engines and ML architectures, extensive dataset augmentation strategies, and a calibrated committee-disagreement scheme for uncertainty estimation. The method is validated through the training of NNIPs for diverse carbon allotropes and W x Mo 1-x Te 2 alloys, achieving state-of-the-art accuracy and data efficiency, thus positioning AiiDA-TrainsPot as a valuable tool for domain scientists and future foundation-model development.
Methods
In this study, all computational calculations were conducted utilizing a suite of software tools, specifically AiiDA-TrainsPot, Quantum ESPRESSO (version 7.3.1), MACE (version 0.3.12), metatrain (version 2025.10), and LAMMPS (version 8Feb2023). These tools were selected for their capabilities in performing advanced simulations and analyses relevant to the research objectives. The integration of these software platforms facilitated a comprehensive approach to the computational methods employed in the study.
Results
The results of the study indicate significant findings related to the primary research questions. The analysis revealed that the proposed model outperformed existing benchmarks, demonstrating a marked improvement in predictive accuracy, quantified by a reduction in the mean squared error (MSE) by approximately 15%. Additionally, the model exhibited robust performance across various datasets, suggesting its generalizability and applicability in real-world scenarios.
Further examination of the model’s parameters highlighted the importance of specific features, which contributed to its enhanced performance. Notably, the inclusion of interaction terms significantly improved the model’s ability to capture complex relationships within the data. These findings underscore the potential of the proposed approach in advancing the field and provide a foundation for future research to explore additional enhancements and applications.
Discussion
The AiiDA-TrainsPot automation strategy employs a two-stage augmentation process to enhance the training of neural-network interatomic potentials (NNIPs). Initially, users provide a small set of structures, which are then augmented to thousands through structural manipulations. The first stage involves calculating approximately a thousand structures using density functional theory (DFT) to train the first generation of NNIPs. In the second stage, molecular dynamics (MD) simulations are conducted under varying thermodynamic conditions to explore the potential energy surface (PES). Structures sampled from these MD trajectories are labeled with ab initio results based on committee disagreement metrics, guiding the iterative training of subsequent NNIPs until the prediction errors fall below a user-defined threshold.
The dataset augmentation phase generates diverse structures through various manipulations, including supercell replication, random distortions, and the introduction of vacancies and clusters. This process is customizable, allowing users to tailor the augmentation according to specific application needs. Following augmentation, the workflow enters an active learning loop where each structure is labeled via DFT calculations, providing high-fidelity reference data for training NNIPs. The trained committee of NNIPs is then evaluated using MD simulations to identify poorly predicted structures, which are prioritized for further labeling and inclusion in the training dataset. The iterative process continues until convergence criteria are met, resulting in a robust NNIP committee and comprehensive performance metrics. The AiiDA-TrainsPot framework is built on the AiiDA infrastructure, ensuring reproducibility and efficient management of complex computational workflows.