Design Space of Self--Consistent Electrostatic Machine Learning Interatomic Potentials

📄 arXiv: 2603.14700v1 📥 PDF

作者: William J. Baldwin, Ilyes Batatia, Martin Vondrák, Johannes T. Margraf, Gábor Csányi

分类: physics.chem-ph, cs.LG

发布日期: 2026-03-16

💡 一句话要点

提出自洽静电机器学习原子间势的设计空间，解决长程静电效应建模难题。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 机器学习原子间势 长程静电效应 密度泛函理论 自洽模型 MACE架构

📋 核心要点

  1. 传统MLIPs在处理长程静电效应、电荷转移和感应极化方面存在局限性，无法准确模拟相关系统。
  2. 论文将现有静电MLIPs视为DFT的粗粒度近似，构建了一个更广阔的自洽静电MLIPs设计空间。
  3. 通过金属-水界面和二氧化硅带电空位实验，验证了新模型的有效性，并指出了现有方法的不足。

📝 摘要（中文）

机器学习原子间势（MLIPs）已成为原子模拟中广泛使用的工具。长期以来，最常用的架构基于短程原子能量贡献，局部性假设在许多现代基础模型中仍然存在。虽然这种方法能够为许多用例实现高效准确的建模，但对于长程静电、电荷转移或感应极化起关键作用的系统，它存在内在的局限性。越来越多的工作提出了结合静电效应的扩展，范围从局部预测原子电荷到自洽模型。虽然这些模型已在特定示例中获得成功，但其基本假设和局限性尚未得到充分理解。本文提出了一个在MLIPs中处理静电的框架，将现有模型视为密度泛函理论（DFT）的粗粒度近似。这种视角明确了所涉及的近似，阐明了学习量的物理意义，并揭示了先前提出的几个模型之间的联系和等价性。利用这种形式，我们确定了定义更广泛的自洽静电MLIPs设计空间的关键设计选择。我们使用MACE架构和电荷密度的共享表示来实现该空间中的显著点，从而实现不同方法之间的受控比较。最后，我们在两个有指导意义的测试用例中评估这些模型：金属-水界面，探测导电和绝缘系统的对比静电响应；以及二氧化硅中的带电空位。我们的结果突出了现有方法的局限性，并表明需要更具表现力的自洽模型来解决失败。

🔬 方法详解

问题定义：传统的机器学习原子间势（MLIPs）在模拟涉及长程静电效应的系统时面临挑战。这些系统包括金属-水界面、电荷转移过程以及感应极化现象。现有方法通常基于短程原子能量贡献，忽略了长程相互作用，导致模拟结果不准确。因此，需要开发能够有效处理长程静电效应的MLIPs模型。

核心思路：论文的核心思路是将现有的静电MLIPs模型视为密度泛函理论（DFT）的粗粒度近似。通过这种视角，可以明确模型中涉及的近似，并阐明学习量的物理意义。此外，该方法能够揭示不同模型之间的联系和等价性，从而为设计更有效的静电MLIPs提供理论基础。

技术框架：该研究构建了一个自洽静电MLIPs的设计空间，并使用MACE架构实现该空间中的关键点。整体流程包括： 1. 将现有模型视为DFT的粗粒度近似。 2. 确定定义设计空间的关键设计选择。 3. 使用MACE架构和电荷密度的共享表示来实现不同模型。 4. 在金属-水界面和二氧化硅带电空位等测试用例中评估模型性能。

关键创新：该研究的关键创新在于提出了一个统一的框架，用于理解和设计自洽静电MLIPs。该框架将现有模型置于DFT的背景下，明确了模型中的近似，并揭示了不同模型之间的联系。此外，该研究还通过实验验证了新模型的有效性，并指出了现有方法的不足。

关键设计：该研究使用MACE架构作为基础模型，并在此基础上添加了静电模块。关键设计包括： 1. 电荷密度的共享表示：使用共享表示来描述不同原子类型的电荷密度。 2. 自洽迭代：通过自洽迭代来求解静电相互作用。 3. 损失函数：使用能量、力和电荷等物理量的误差作为损失函数。

📊 实验亮点

研究通过金属-水界面和二氧化硅带电空位两个测试用例，验证了所提出的自洽静电MLIPs的有效性。实验结果表明，相较于现有方法，该模型能够更准确地描述导电和绝缘系统的静电响应，并能有效解决现有方法在模拟带电缺陷时的失效问题。这些结果突出了更具表现力的自洽模型在解决复杂静电问题中的重要性。

🎯 应用场景

该研究成果可应用于材料科学、化学、生物物理等领域，例如模拟金属-水界面、电解液、蛋白质等复杂体系。更精确的原子间势模型能够提升材料设计的准确性和效率，加速新材料的发现和优化，并为理解复杂化学反应提供更深入的见解。

📄 摘要（原文）

Machine learning interatomic potentials (MLIPs) have become widely used tools in atomistic simulations. For much of the history of this field, the most commonly employed architectures were based on short-ranged atomic energy contributions, and the assumption of locality still persists in many modern foundation models. While this approach has enabled efficient and accurate modelling for many use cases, it poses intrinsic limitations for systems where long-range electrostatics, charge transfer, or induced polarization play a central role. A growing body of work has proposed extensions that incorporate electrostatic effects, ranging from locally predicted atomic charges to self-consistent models. While these models have demonstrated success for specific examples, their underlying assumptions, and fundamental limitations are not yet well understood. In this work, we present a framework for treating electrostatics in MLIPs by viewing existing models as coarse-grained approximations to density functional theory (DFT). This perspective makes explicit the approximations involved, clarifies the physical meaning of the learned quantities, and reveals connections and equivalences between several previously proposed models. Using this formalism, we identify key design choices that define a broader design space of self-consistent electrostatic MLIPs. We implement salient points in this space using the MACE architecture and a shared representation of the charge density, enabling controlled comparisons between different approaches. Finally, we evaluate these models on two instructive test cases: metal-water interfaces, which probe the contrasting electrostatic response of conducting and insulating systems, and charged vacancies in silicon dioxide. Our results highlight the limitations of existing approaches and demonstrate how more expressive self-consistent models are needed to resolve failures.