通过符号回归和强化学习实现可物理解释的离子间势
材料科学
2025-11-26 v1
摘要
下一代分子模拟模型的发展需要超越预定义函数形式，转向能够直接捕获多尺度物理的机器学习技术。本文演示了一种方法，利用符号回归（Symbolic Regression, SR）中的方程学习网络和强化学习搜索引擎，推导解释性强的离子相互作用方程。训练数据通过密度泛函理论（DFT）能量的嵌套集合抽样生成，涵盖从晶体到高度无序状态。学习网络的优化采用连续动作蒙特卡洛树搜索（MCTS）结合梯度下降，实现了函数空间的高效探索。以铜作为代表过渡金属，无约束搜索得到的模型优于固定形式的Sutton-Chen EAM势。SR派生模型（SR1和SR2）复现了关键材料属性——晶格常数、内离加能、状态方程、弹性常数、声子色散、缺陷形成能、表面/_bulk能量以及相变，准确性显著提升。此外，严格的熔点模拟使用两种相固态-无定形界面确认，SR模型准确捕捉振动熵、内离加能和结构动力学之间的相互作用， 在定性和定量预测上均优于SC-EAM。这一工作突出了符号回归能够提供快速、准确、灵活且具有物理意义的势能函数，以推动跨尺度的预测建模。
引用
@article{arxiv.2511.20506,
title = {Physically Interpretable Interatomic Potentials via Symbolic Regression and Reinforcement Learning},
author = {Bilvin Varughese and Troy D. Loeffler and Suvo Banik and Aditya Koneru and Sukriti Manna and Karthik Balasubramanian and Rohit Batra and Mathew J. Cherukara and Orcun Yildiz and Tom Peterka and Bobby G. Sumpter and Subramanian K. R. S. Sankaranarayanan},
journal= {arXiv preprint arXiv:2511.20506},
year = {2025}
}