原子间势能图神经网络模型CHGNet

casjxm

CHGNet（Crystal Hamiltonian Graph neural Network）是一种新型的机器学习原子间势能（Machine-LearningInteratomic Potential, MLIP），旨在解决传统方法在模拟电荷相关原子动力学时的局限性。它通过显式整合磁矩（magnetic moments）来推断原子电荷状态，从而捕捉电子轨道占据和离子重排的耦合效应。这在材料科学中尤为重要，例如电池材料、相变和离子扩散等应用。

1. ​背景与动机​

在原子尺度模拟中，准确描述电子相互作用（如电荷转移）对理解材料行为至关重要。传统方法存在显著缺陷：

• ​经典力场（Classical force fields）​​：无法有效处理电子态与离子重排的耦合，常依赖**义原子电荷，缺乏动态适应性。
• ​第一性原理分子动力学（AIMD）​​：虽基于密度泛函理论（DFT）提供高精度，但计算复杂度高（O(N³) 缩放），难以进行长时间/大规模模拟。
• ​现有MLIPs的局限​：如图神经网络（GNN）模型（如M3GNet）虽能建模势能面，但大多忽略电荷信息，导致在异价离子（如过渡金属）系统中表现不佳。例如，Mn²⁺、Mn³⁺和Mn⁴⁺的化学行为差异显著，需明确电荷状态。
  

CHGNet应运而生，其核心创新在于将磁矩作为电荷的代理（proxy），实现“电荷知情”（charge-informed）模拟。预训练使其成为通用势能面模型，适用于广泛材料系统。

2. ​模型架构​

CHGNet基于图神经网络（GNN），保留了平移、旋转和置换不变性。其架构如图1所示，将晶体结构转换为图表示，并通过多个交互块更新特征，最终输出能量、力、应力和磁矩。关键组件包括：

• ​输入与输出​：输入为晶体结构（原子位置和元素标签），输出为能量、力、应力和每个原子的磁矩。电荷状态可通过磁矩推断（例如，磁矩与电子自旋密度相关）。
• ​图构建​：
  
  • ​原子图（Atom Graph）​​：以原子为节点，边连接距离小于截止半径（默认5 Å）的原子对，编码键信息（如距离）。
  • ​键图（Bond Graph）​​：以键为节点，连接形成角度的键对（角截止半径3 Å），编码三体相互作用（如角度）。
    

• ​特征处理​：
  
  • ​嵌入层​：原子类型、键距离和角度分别嵌入为特征向量（维度64）。键距离用平滑径向基函数（SmoothRBF）扩展，确保势能面光滑。
  • ​交互块（Interaction Blocks）​​：多层卷积更新原子、键和角特征。磁矩在倒数第二层投影后预测（作为电荷约束），正则化潜空间特征（enhancing latent-space regularization）。这使特征同时编码局部离子环境和电荷分布。
    
• ​输出层​：最终原子特征预测总能量（非线性投影），力通过自动微分能量得到，应力通过应变微分得到。
  

该架构支持长程相互作用（达20Å），计算高效，参数约400,000。

3. ​数据集：Materials Project TrajectoryDataset（MPtrj）​​

CHGNet预训练于MPtrj数据集，该数据集整合了MaterialsProject数据库中超过10年的DFT计算轨迹：

• ​规模与内容​：包含~1.58     million原子构型，覆盖~1.5     million无机结构，涉及94种元素。数据包括：
  
  • 能量（1.58 million）、力（49.3 million）、应力（14.2 million）和磁矩（7.9 million）。
  • 计算基于GGA或GGA+U泛函，确保一致性（通过能量校正）。
    

• ​元素覆盖​： 60种元素出现超100,000次，76种元素有磁矩标签（超10,000实例），涵盖除稀有气体和锕系外的所有化学体系。数据集按材料分区（8:1:1训练/验证/测试集），避免数据泄露。
  

MPtrj的广度为CHGNet的通用性提供基础，支持跨化学空间迁移学习。

4. ​性能评估​

CHGNet在MPtrj测试集（157,955结构）上表现优异，并与基准比较：

• ​测试误差​：如表I所示，包含磁矩训练的模型误差更低：
  
  • 能量：30 meV/atom
  • 力：77 meV/Å
  • 应力：0.348 GPa
  • 磁矩：0.032 μB（玻尔磁子）
    

指标	能量  (meV/atom)	力 (meV/Å)	应力 (GPa)	磁矩 (μB)
含磁矩训练	30	77	0.348	0.032
无磁矩训练	33	79	0.351	N/A

- ​**泛化能力**​：在MatbenchDiscovery基准测试中，CHGNet在无机晶体稳定性预测上达到state-of-the-art。在锂离子导体扩散模拟中（零样本测试），与AIMD结果一致（扩散系数和活化能误差小），验证其可靠性。

5. ​关键创新点：磁矩作为电荷约束​

CHGNet的核心创新是将磁矩整合为电荷信息的代理：

• ​原理​：磁矩源自DFT自旋密度差，反映电子轨道占据。例如，在Na₂V₂(PO₄)₃中，V³⁺和V⁴⁺的磁矩分布不同，CHGNet通过正则化潜空间特征区分价态，无需**义电荷。
  

• ​优势​：
  
  • ​动态电荷推断​：模型输入仅需原子位置和元素标签，输出磁矩可推断电荷状态（如Mn³⁺磁矩~4 μB）。
  • ​正则化效果​：磁矩约束提升特征表达力，改进异价离子系统的准确性（如Fe²⁺/Fe³⁺在LiFePO₄相图中）。
  • ​计算高效​：避免直接处理电荷密度（计算昂贵），适用于大规模模拟。
    

6. ​应用案例​

CHGNet在多个材料系统中展示了电荷知情模拟的价值：

• ​LiₓMnO₂相变与电荷不均匀分布​：
       模拟正交晶系（o-LMO）向尖晶石（s-LMO）的相变（1100 K，1.5 ns MD）。CHGNet捕获Mn离子电荷不均匀分布（图4d）：初始Mn³⁺为主，后期出现Mn²⁺（磁矩~3 μB），与相变能量降低（~50 meV/氧原子）和XRD峰变化一致。揭示Mn²⁺形成与长程有序相关（时间尺度~ns），非短程离子迁移。
  

• ​LiₓFePO₄相图中的电子熵效应​：
       通过簇展开（Cluster     Expansion）构建相图。含电荷装饰的CE（考虑Fe²⁺/Fe³⁺）显示混溶隙和类共析转变，与实验一致；而忽略电荷的CE仅显示单一混溶隙。证明电子熵（源自电荷自由度）对相稳定性至关重要。
  

• ​石榴石导体Li₃La₃Te₂O₁₂中的Li扩散​：
       零样本测试显示，CHGNet准确捕获Li扩散的非线性响应：少量过量Li（δ=1/48）使活化能从>1 eV降至~160 meV，与DFT一致。支持“激活扩散网络”理论，凸显Li离子在局域环境中的强相互作用。
  

7. ​优势与挑战​

• ​优势​：
  
  • ​通用性与高效性​：预训练模型覆盖广泛化学空间，支持零样本迁移。MD模拟时间尺度达纳秒级（如LMO相变），计算成本远低于AIMD。
  • ​电荷知情能力​：唯一能动态推断电荷的MLIP，为电子熵、电荷转移和相变提供新见解。
  • ​开源可用​：代码、权重和示例发布于GitHub。
    
• ​挑战与改进方向​：
  
  • ​电荷中性问题​：磁矩推断不保证全局电荷中性，需结合分区方法（如Wannier函数）。
  • ​非磁性离子限制​：无磁矩离子（如O²⁻）的电荷推断较模糊，依赖环境特征。
  • ​未来扩展​：可整合电子局域函数或极化，进一步提升电荷表示。
    

8. ​总结​

CHGNet作为首个电荷知情的通用MLIP，通过磁矩整合解决了异价离子系统的模拟挑战。其在MPtrj数据集上预训练，性能优异，并应用于电池材料、相变和离子扩散等场景，揭示了电荷-离子耦合动力学的新机制。尽管存在电荷中性等挑战，CHGNet为大规模原子模拟开辟了新途径，推动材料、化学和生物领域的计算探索。如需深入，可参考其开源实现和文献细节。

引用：

B. Deng, et al., CHGNet as a pretraineduniversal neural network potential for charge-informed atomistic modelling, Nat.Mach. Intell., 2023, 5, 1031–1041.