当前位置：首页 > news >正文

DeFecT-FF：基于机器学习力场与主动学习的高通量缺陷计算框架

news 2026/5/25 6:00:03

1. 项目概述：当缺陷物理遇上机器学习力场

在薄膜太阳能电池，尤其是CdSeTe这类II-VI族半导体材料的研究中，有一个共识是绕不开的：缺陷即性能的“天花板”。无论是本征的空位、间隙原子、反位缺陷，还是外来的Cu、As等掺杂剂，它们形成的深能级非辐射复合中心，就像一个个“能量黑洞”，无情地吞噬着光生载流子，直接限制了器件的开路电压和最终转换效率。过去十几年，我们这些做计算材料的人，核心工作之一就是拿着密度泛函理论（DFT）这把“尺子”，去精确测量这些缺陷的形成能、电荷跃迁能级，试图理解它们如何影响器件的电学性能。

然而，理想很丰满，现实很骨感。为了获得可靠的缺陷形成能图（Defect Formation Energy Diagram），我们需要对每个缺陷在不同电荷态（q = +2, +1, 0, -1, -2）下的结构进行几何优化。如果使用被视为“金标准”的杂化泛函（如HSE06），对一个包含上百个原子的超胞进行一次完整的弛豫计算，动辄需要8-9个小时的CPU时间。这还只是一个缺陷、一种电荷态。考虑到实际材料是合金（如CdSexTe1-x），成分（x）在变化，缺陷类型（空位、间隙、替位、复合体）繁多，可能的晶格位置更是呈组合爆炸式增长。想要系统性地探索整个“缺陷化学空间”，用传统DFT方法几乎是不可完成的任务，计算资源的需求是天文数字。

正是在这种“算不动”的困境下，机器学习力场（Machine Learning Force Field, MLFF）技术进入了我们的视野。它本质上是一个经过训练的代理模型，能够从已有的高精度DFT计算数据中，学习到原子构型与体系总能量、原子受力之间的复杂映射关系。一旦模型训练完成，它就能以比DFT快几个数量级的速度，预测新结构的能量和受力，从而驱动快速的几何优化。这听起来像是为高通量缺陷筛选量身定做的工具。但问题也随之而来：现有的通用MLFF模型，对于处理带电缺陷、复杂的合金环境以及界面/位错等扩展缺陷，其精度和泛化能力往往不足。

因此，我们团队开发了DeFecT-FF（Defect Force Field）这个专用框架。它的目标非常明确：为Cd/Zn-Te/Se/S这一特定的重要化学空间，构建一个能够精确处理带电与中性缺陷的MLFF模型，并将整个工作流程工具化，让材料研究者能像做常规计算一样，轻松、快速地进行大规模的缺陷热力学调查。简单说，就是让“算缺陷”这件事，从以“天”为单位，变成以“分钟”为单位。

2. 核心思路拆解：为何是“晶体图”+“主动学习”？

构建一个可靠的MLFF模型，尤其是针对缺陷这种局部电子结构发生剧烈变化的体系，绝非简单地将现有模型拿来就用。DeFecT-FF的设计核心基于两个关键选择：晶体图神经网络（CGNN）作为模型骨架，和主动学习（Active Learning）作为数据驱动的引擎。

2.1 模型骨架：为什么选择晶体图神经网络（ALIGNN）？

在材料科学领域，描述一个原子结构，传统力场依赖预定义的解析函数和参数，而MLFF则依赖从数据中学习到的黑箱函数。为了学好这个函数，如何有效地将原子结构“编码”成机器能理解的特征，至关重要。

提示：对于周期性晶体，尤其是含有缺陷的体系，简单的原子坐标列表会丢失关键的拓扑和化学信息。我们需要一种既能表征局部化学环境（键长、键角），又能捕捉长程相互作用和晶体对称性的描述符。

我们选择了ALIGNN（Atomistic Line Graph Neural Network）模型作为基础。它的巧妙之处在于构建了“双图”：

原子图（Atomistic Graph）：以原子为节点，原子间的化学键（在一定截断半径内）为边。这直接编码了键长（两体相互作用）信息。
线图（Line Graph）：以原子图的边（即化学键）为节点，如果两条边共享一个原子，则在线图中相连。这巧妙地编码了键角（三体相互作用）信息。

通过图卷积网络（GCN）同时在这两个图上进行信息传递和聚合，ALIGNN模型能够自然而高效地学习到从短程到中程的原子间相互作用。这对于缺陷建模尤其重要，因为缺陷引起的晶格弛豫和电子重排，其影响范围往往超出最近邻，而键角的扭曲更是判断缺陷稳定构型的关键。

2.2 数据引擎：为什么必须引入主动学习（Active Learning）？

MLFF的性能上限由其训练数据决定。对于目标明确的缺陷化学空间，盲目地生成海量DFT数据既低效又昂贵。主动学习的核心思想是“让模型告诉我们它还需要学什么”。

我们的工作流程是一个闭环：

初始化：用一个相对较小的、覆盖了部分缺陷类型的DFT数据集（包含能量、受力、应力）训练一个初始的MLFF模型（或一个模型集合）。
探索与查询：用这个初始模型去预测整个目标化学空间中（我们预设的）成千上万个未计算过的缺陷构型的能量。关键一步是评估模型预测的不确定性（Uncertainty）。我们采用了一种简单而有效的策略：训练一个由100个不同数据子集训练的ALIGNN模型组成的委员会（Committee），用这100个模型对同一个新结构进行预测，其预测结果的标准差（Standard Deviation）就作为不确定性的度量。
获取新数据：选择那些模型预测不确定性最高的构型（即模型最“拿不准”的），提交进行高精度的DFT计算。这些点往往是化学空间边界、或具有罕见局部环境的构型，对提升模型的泛化能力至关重要。
迭代优化：将新获得的DFT数据加入训练集，重新训练模型。如此循环，模型的精度和可靠性随着迭代次数增加而迅速提升。

这个过程就像一位经验丰富的导师指导学生：不是让学生刷完所有习题，而是精准地找出他知识体系中最薄弱的环节，进行针对性强化训练。在我们的实践中，通常只需1-2轮主动学习迭代，模型在整个目标空间内的预测误差就能收敛到令人满意的水平。

2.3 精度阶梯：GGA-PBE 与 HSE06 数据的混合策略

DFT计算本身也有精度阶梯。广义梯度近似（GGA，如PBE）计算快，但通常会低估半导体带隙，对缺陷能级的预测偏差较大。杂化泛函（HSE06）精度高，但计算成本昂贵10倍以上。

DeFecT-FF采用了一个务实的混合策略：

大规模GGA-PBE预训练：首先，我们利用GGA-PBE级别计算，生成了一个超大规模的数据集。这个数据集覆盖了CdTe, CdSe, ZnTe等二元化合物，以及CdSexTe1-x, CdxZn1-xTe等三元合金，甚至包含了一些四元合金。缺陷类型囊括了所有本征缺陷（空位、间隙、反位）和关键外来杂质（Cu, As, Cl, O等），并考虑了从+2到-2的多种电荷态。这个数据集数量庞大（数万个结构），为模型提供了广阔的化学和构型空间的基本“印象”。
关键区域的HSE06精修：然后，我们从PBE数据集中精选出一部分具有代表性的结构（特别是那些在器件中可能起关键作用的缺陷构型），用HSE06重新进行单点能或弛豫计算。这些高精度数据点就像“锚点”，将PBE训练出的模型“拉”向更准确的能量标度。
模型迁移与微调：最终，我们使用这个“PBE主体 + HSE06精修点”的混合数据集来训练最终的MLFF模型。这样，模型在保持对广阔空间快速探索能力的同时��在关键区域的预测精度能够接近HSE06的水平。

3. 实操流程：从数据准备到模型部署

理论说得再好，落地才是关键。下面我以构建一个针对CdSexTe1-x合金的DeFecT-FF模型为例，拆解整个实操流程。你会发现，虽然背后原理复杂，但步骤已经高度流程化。

3.1 第一步：构建高通量DFT数据集

这是所有机器学习工作的基石，必须严谨。

1. 结构生成与缺陷枚举：我们使用了自己开发的脚本，结合pymatgen和doped等开源工具。对于CdSe0.5Te0.5这样的三元合金，首先要用特殊准随机结构（SQS）方法生成一个能反映随机占位的大超胞（例如3x3x3，108个原子）。然后，系统性地枚举所有可能的缺陷：

本征缺陷：VCd（镉空位）， VSe（硒空位）， VTe（碲空位）， Cdi（镉间隙）， Sei（硒间隙）， Tei（碲间隙）， CdSe（镉占硒位）， CdTe， SeCd， SeTe， TeCd， TeSe。共12种。
外来缺陷：考虑常见的p型掺杂剂（Cu， As）和钝化剂（Cl）。每种外来原子可以有三种形态：间隙（Cui, Asi, Cli）、替位阳离子（CuCd, AsCd, ClCd）、替位阴离子（CuSe, AsSe, ClSe）。注意，在合金中，替位还可以发生在不同阴离子上，如AsSe和AsTe，这又增加了复杂性。
缺陷复合体：例如(AsTe + ClTe)， (VCd + Cli)等。对于n个单缺陷，两两组合的复合体数量是C(n,2)，这是一个巨大的数字。

关键技巧：对称性破缺采样这是缺陷计算中极易被忽视但至关重要的一步。一个缺陷在晶格中可能有多个对称性不等价的位置。例如，一个替位缺陷AsTe在合金中，由于周围Cd和Se原子的随机分布，每个Te位点环境都略有不同。我们通过doped包的ShakeNBreak功能，对每个缺陷初始构型进行随机原子扰动（Rattling）和键长扭曲，生成15个对称性破缺的初始结构。这能有效避免弛豫过程陷入局部极小值，帮助我们找到真正的能量最低构型。

2. DFT计算设置：

软件：我们主要使用VASP。
PBE计算：截断能取520 eV，K点网格根据超胞大小调整（如3x3x3超胞用Γ点即可）。对于带电缺陷，必须采用带修正的静电能修正方案（如Freysoldt-Neugebauer-Van de Walle方法）。这一步会产生海量的计算任务，需要在高性能计算集群上批量提交。
HSE06计算：在PBE优化结构的基础上，用HSE06泛函（混合参数α=0.25）进行单点能计算，以获取更精确的总能。为了考虑重原子（Te）的自旋轨道耦合（SOC）效应，对部分关键缺陷还会进行HSE06+SOC计算。这一步计算量巨大，必须精打细算，只针对筛选出的重要缺陷进行。

3. 数据整理与标签：每个计算任务输出三个核心物理量：总能量（E）、原子受力（F）、应力张量（σ）。这就是MLFF模型的训练目标。我们需要将这些数据与对应的原子结构（POSCAR文件）、电荷态、缺陷类型等信息一一对应，整理成结构化的数据集。我们通常使用ASE（原子模拟环境）库来读写和操作这些数据。

注意：数据集的质量直接决定模型的上限。必须确保DFT计算本身是收敛的，能量和受力的收敛标准要严格一致（如能量变化<1e-5 eV/atom，受力<0.01 eV/Å）。任何异常值（Outlier）都需要人工检查，看是计算失败还是特殊的物理现象。

3.2 第二步：训练与优化MLFF模型

有了干净的数据集，就可以开始训练模型了。我们基于M3GNet的架构进行修改，因为它能同时处理能量、受力和应力，这对于后续的几何优化是必需的。

1. 模型训练细节：

输入特征：原子种类（One-hot编码）、原子间距（高斯扩展）、键角等。
网络结构：采用多体交互图神经网络，设置3-4个图卷积层。径向截断半径设为6 Å，确保能捕捉到缺陷引起的长程弹性应变场。
损失函数：这是一个多任务学习的损失函数：Loss = w_E * RMSE(E) + w_F * RMSE(F) + w_σ * RMSE(σ)。其中，w_E, w_F, w_σ是权重。由于能量标度远小于力和应力，我们通常设置w_E=1, w_F=1, w_σ=0.01，让模型更专注于拟合原子受力，这对几何优化至关重要。
训练技巧 - 困难样本重加权：
1. 先用所有数据均匀训练模型几十个周期（Warm-up）。
2. 用这个初步模型去预测训练集本身，计算每个样本的预测误差（能量和力的RMSE）。
3. 根据误差大小给每个样本分配一个权重，误差越大，权重越高。这迫使模型在后续训练中更关注那些它还没学好的“困难”样本（往往是结构复杂或化学环境特殊的缺陷）。
4. 用加权的数据采样器重新训练模型。这个过程可以重复几次，能显著提升模型在复杂缺陷上的表现。

2. 分电荷态训练：一个重要的决策是：是否为不同电荷态训练不同的模型？我们的答案是肯定的。带电缺陷的电子密度分布与中性缺陷有本质区别，其受力情况也不同。我们分别训练了q=+2, +1, 0, -1, -2五个独立的MLFF模型。在应用时，根据缺陷的电荷态调用对应的模型。虽然这增加了训练成本，但保证了每个模型在其特定电荷态下的预测精度。

3.3 第三步：几何优化与缺陷形成能计算

模型训练好后，就可以大显身手了。

1. 快速几何优化：传统DFT弛豫使用基于受力的算法（如BFGS, FIRE），需要多次迭代计算电子基态，每次迭代都昂贵。MLFF的优化则快如闪电：

输入一个初始缺陷结构。
MLFF模型瞬间给出所有原子的受力。
利用ASE的优化器（如FIRE），根据MLFF提供的受力移动原子。
更新结构后，再次用MLFF预测受力。如此循环。
收敛标准可设为平均原子受力<0.01 eV/Å。对于108个原子的超胞，通常在100步内收敛，整个过程在普通工作站上仅需1-2分钟。

2. 缺陷形成能计算：获得弛豫后的总能量E^f_X,q后，缺陷形成能E_f的计算公式为： E_f(X^q) = E^f_X,q - E^f_{bulk} - Σ_i n_i μ_i + q(E_F + E_{VBM}) + E_{corr} 其中涉及几个关键参数：

E^f_{bulk}：完美晶体的总能量，由MLFF对完美超胞快速预测得到。
μ_i：原子i的化学势。这取决于生长条件（如Cd-rich或Te-rich）。我们预先用DFT计算了一个化学势库，集成在工具中。
E_F：费米能级。
E_{VBM}：价带顶能量。需要从DFT能带计算中获得，这是一个外部输入。
E_{corr}：带电修正能。这是MLFF无法直接提供的，因为它涉及长程静电相互作用。我们采用了Freysoldt修正方案。好消息是，对于给定的宿主材料、超胞尺寸和电荷态，这个修正值是一个常数。因此，我们在后处理中，根据MLFF优化后的结构，调用sxdefectalign等工具一次性计算这个修正值，然后加到MLFF预测的能量上。

3. 生成缺陷形成能图：通过扫描费米能级E_F，我们可以计算出每个缺陷在不同E_F下的形成能E_f，从而绘制出经典的缺陷形成能图。这张图直接告诉我们：在给定的生长条件下，哪些缺陷最容易形成（E_f最低），它们的电荷跃迁能级（斜率变化点）在哪里，从而判断��们是浅能级掺杂剂还是深能级复合中心。

4. 实战演示：以AsTe缺陷在CdSeTe中为例

纸上得来终觉浅。我们来看一个具体案例：研究As替位Te（AsTe）缺陷在CdSe0.5Te0.5合金中的行为。

传统DFT流程的瓶颈：

在108原子的3x3x3超胞中，AsTe缺陷有数十个对称性不等价的Te位点可以取代。
对每个初始位置，需要用HSE06进行弛豫（~8小时/次）找到能量最低构型。
假设有50个不等价位点，总计算时间需要50 * 8 = 400小时（约16.7天）。这还只是一种电荷态（如中性）。

DeFecT-FF加速流程：

构型初筛（分钟级）：将50个不同的初始AsTe结构输入DeFecT-FF工具。MLFF模型在几分钟内完成所有构型的快速弛豫，并给出预测的总能量。我们立即可以锁定能量最低的2-3个候选构型。
高精度验证（小时级）：只对这2-3个MLFF优化后的最低能量构型，进行HSE06+SOC级别的单点能计算（每个约2-3小时）。这一步是为了获得最终精确的能量。
结果对比：经验表明，MLFF筛选出的最低能量构型，与用纯DFT方法穷举后找到的全局最低能量构型，在95%以上的情况下是一致的。而总计算时间从数百小时压缩到了十小时以内。

工具化操作：我们的成果已经封装成了一个基于Jupyter Notebook的nanoHUB工具。用户只需：

上传一个CdSeTe合金的晶体结构文件（CIF或POSCAR格式）。
在图形界面中选择想要研究的缺陷类型（如“As”， “Substitutional”， “Anion”）。
设置化学势条件（如Cd-rich）和材料带隙、VBM信息。
点击运行。工具会自动调用后台的MLFF模型进行几何优化，结合化学势库计算缺陷形成能，并生成可下载的弛豫结构、能量表格和精美的E_f - E_F关系图。

5. 性能评估与误差分析

任何模型都不能盲目信任，必须用数据说话。

1. 能量预测精度：我们在独立的测试集上评估了MLFF模型的性能。对于中性缺陷，MLFF预测的晶体形成能与DFT计算值之间的均方根误差（RMSE）可以稳定在5-10 meV/atom以内。对于带电缺陷，在应用了平均电荷修正后，RMSE约为20-30 meV。考虑到缺陷形成能本身通常在0到几eV的量级，这个误差在大多数筛选和趋势分析中是可以接受的。

2. 结构弛豫保真度：光有能量准不够，优化后的原子结构也必须合理。我们使用SOAP（Smooth Overlap of Atomic Positions）描述符来量化DFT弛豫结构和MLFF弛豫结构之间的差异。通过主成分分析（PCA）将高维的SOAP向量投影到二维空间，发现两者的数据点几乎完全重叠。这表明MLFF成功地复现了DFT级别的局部原子重排，包括键长的收缩/拉伸和键角的扭曲。

3. 与通用预训练模型的对比：我们也测试了如MACE、CHGNet等优秀的通用预训练MLFF模型。直接应用它们到我们的缺陷数据集时，预测误差（RMSE > 50 meV/atom）显著高于我们专门训练的DeFecT-FF模型。这印证了我们的核心观点：对于缺陷物理这类对局部环境极度敏感的问题，针对特定化学空间进行专门化训练的“领域专用”模型，其精度远高于“通用”模型。

6. 经验总结与避坑指南

在开发和部署DeFecT-FF的几年里，我们踩过不少坑，也积累了一些可能在任何MLFF项目中都适用的经验。

1. 数据质量永远第一位：

收敛性：确保你的DFT训练数据是严格收敛的。力收敛标准建议设得紧一些（如0.01 eV/Å），否则模型学到的“受力为零”的状态本身就是错的。
一致性：所有计算必须使用完全相同的INCAR参数（特别是PREC,ENCUT,EDIFF,EDIFFG）。混合不同精度级别的数据会严重干扰模型学习。
电荷修正：训练数据中的带电缺陷能量，必须是已经应用了正确静电能修正（如Freysoldt）之后的“修正后”能量。如果训练数据本身包含未修正的静电能误差，模型是学不会的。

2. 主动学习的采样策略是关键：

不确定性度量：委员会模型（Ensemble）预测的标准差是一个简单有效的 Uncertainty Quantification (UQ) 方法。比用单个模型的预测方差或 dropout 等方法更稳定。
探索与利用的平衡：除了选择不确定性最高的点（探索），也可以偶尔选择一些模型预测能量最低的点（利用）进行DFT验证，以确保模型没有在低能区域产生系统性偏差。
批量选择：不要一次只选一个点。每轮主动学习选择一批（如200个）不确定性最高的点进行DFT计算，效率更高。

3. 模型评估必须多维度：

不要只看能量RMSE：一定要检查受力预测的准确性，特别是缺陷核心周围原子的受力。可以可视化MLFF和DFT的受力向量，看看方向和大小的差异。
进行“分子动力学”测试：用MLFF跑一段短时间的NVT分子动力学，观察体系是否稳定，有没有原子飞出去。这是检验模型稳定性的试金石。
测试外推能力：用模型去预测一个比训练集超胞更大的体系（如4x4x4）的能量，看其表现。好的MLFF应该具有一定的尺寸外推能力。

4. 理解MLFF的局限性：

电子性质：MLFF只学习原子核之间的相互作用（势能面），它不能直接给出电子结构信息，如态密度、能带、缺陷跃迁能级。这些仍然需要基于MLFF优化后的结构，进行昂贵的DFT电子步计算。DeFecT-FF的价值在于把最耗时的结构弛豫部分加速了，电子计算只需在最终候选结构上进行。
化学反应：当前的MLFF模型无法处理键的断裂与形成。如果你的研究涉及缺陷扩散（需要跨越反应势垒）或者复杂的化学反应，可能需要更高级的模型或反应力场。
远离训练域：模型在训练数据覆盖的化学和构型空间内是可靠的。如果你用它去预测一个完全陌生的元素或晶体结构，结果不可信。这就是为什么我们的工作聚焦于Cd/Zn-Te/Se/S这个明确的化学空间。

7. 未来展望与应用拓展

DeFecT-FF框架的成功，不仅仅在于将CdSeTe缺陷计算加速了数百倍。它更提供了一种范式，即如何将机器学习力场与领域知识（缺陷物理）深度融合，解决一个具体的、计算瓶颈突出的科学问题。

1. 向动态性质拓展：目前我们主要关注静态的缺陷形成能和平衡几何。下一步，我们可以利用训练好的MLFF，以极低的成本进行分子动力学（MD）模拟。这将允许我们研究：

缺陷扩散：计算掺杂剂（如Cu）在晶格中的迁移路径和能垒。
有限温度效应：研究温度对缺陷形成熵和平衡浓度的影响，获得更真实的缺陷形成自由能。
缺陷-声子耦合：计算缺陷态的声子谱，评估非辐射复合的肖克利-里德-霍尔（SRH）系数。

2. 集成更先进的主动学习与不确定性量化：可以探索更高效的采样算法，如贝叶斯优化（Bayesian Optimization），它不仅考虑不确定性，还考虑预测值本身（如寻找能量最低的构型）。也可以集成更复杂的UQ方法，如深度集成（Deep Ensemble）或随机权重平均（SWA），以更可靠地标识模型的认知不确定性。

3. 构建材料缺陷的“基础模型”：我们目前的工作是针对一个特定的化学家族。一个更宏大的愿景是，整合来自不同材料体系（钙钛矿、硅、氧化物等）的海量缺陷计算数据，训练一个通用的“缺陷基础MLFF模型”。这个模型通过在大规模数据上的预训练，获得对缺陷物理的通用理解，然后可以通过微调（Fine-tuning）快速适配到特定的��材料上。这将真正实现“一次训练，多处应用”的愿景。

4. 与实验的闭环迭代：计算的目的终归是指导和解释实验。DeFecT-FF可以快速筛选出最有潜力的掺杂剂或钝化方案（即形成能低且能级浅的缺陷），为实验合成提供靶向目标。同时，实验上观测到的性能变化（如开路电压提升），又可以反过来用计算来归因，推测是哪种缺陷被抑制或哪种复合体被形成。这种“计算-实验”的快速迭代，将极大加速新材料的研发进程。

回过头看，DeFecT-FF项目的核心价值，在于它将研究者从重复、繁重、等待的计算任务中解放出来，让他们能将宝贵的智力资源投入到更关键的问题设计、结果分析和物理洞察中去。它不是一个要取代DFT的黑箱，而是一个强大的“加速器”和“探索仪”。当你可以用喝一杯咖啡的时间，就完成过去需要算好几天的工作时，你思考问题和探索未知的方式，自然会变得不同。

查看全文

http://www.jsqmd.com/news/881760/