利用神经网络离子势构建化学基础模型

大规模基础模型，包括计算材料科学中的神经网络离子势（neural network interatomic potentials, NIPs），已在加速原子态模拟方面展现出巨大潜力。然而，尽管成功于加速原子态模拟，NIPs 在直接预测电子属性方面面临挑战，常需耦合至更高尺度的模型或进行大量模拟以获得宏观属性。机器学习（Machine Learning, ML）为结构到性质的映射提供了替代方案，但面临权衡：特征基方法常缺乏通用性，而深度神经网络需大量数据和计算资源。为此，我们引入 HackNIP，这是一个两阶段管道，利用预训练的 NIPs。该方法首先从 NIP 基础模型中提取固定长度的特征向量（嵌入），随后利用这些嵌入训练浅层 ML 模型进行下游结构到性质的预测。本研究探讨了这种混合方法——通过“黑客”化 NIP 能否超越端到端深度神经网络、何时达到数据规模即可超越 NIP 直接微调、以及哪些嵌入深度提供最具信息性的特征。HackNIP 在 Matbench 上进行基准测试，评估了数据效率，并在包括 ab initio、实验和分子性质在内的多样化任务上进行测试。我们还分析了嵌入深度对性能的影响。本工作展示了一种混合策略以克服材料科学中的 ML 权衡，旨在 democratize（普及）高性能预测建模。