【波鸿鲁尔大学｜npj Comput Mater】GRACE通用原子势

      PART 1    

        文章信息      

      题目    

    Graph atomic cluster expansion for foundational machine learning interatomic potentials  

      作者    

    Yury Lysogorskiy*, Anton Bochkarev & Ralf Drautz  

      单位    

    德国波鸿鲁尔大学先进材料模拟跨学科中心（ICAMS）  

      期刊    

    npj Computational Materials，2026 / 卷期未注明  

      DOI    

    https://doi.org/10.1038/s41524-026-01979-1  

      PART 2    

        一句话概括      

    本文提出基于图原子簇展开的GRACE基础机器学习原子间势，在跨元素材料模拟中同时提升精度、效率、可迁移性和可微调能力。  

GRACE的核心价值在于用完备、对称守恒且高效递归求值的基函数，为“全周期表级”原子模拟提供可训练、可蒸馏、可下游适配的基础势。

      PART 3    

        研究背景与科学问题      

    机器学习原子间势（MLIP）可用接近DFT的精度加速原子尺度模拟，但传统模型通常只覆盖少数元素；一旦加入新元素，往往需要重新生成大量第一性原理数据并整体重训。  

    基础原子间势希望一次性覆盖大范围化学空间，但周期表组合爆炸使显式枚举高体相互作用不可行。关键在于把复杂化学嵌入低维空间，同时保持对旋转、平移、反演和同种原子置换的物理对称性。  

    本文采用Graph Atomic Cluster Expansion（GRACE），将ACE扩展到树图结构，以完备基函数和递归消息传递统一描述局域与半局域相互作用，并在OMat24、Alexandria和MPTraj等大规模DFT数据上训练基础模型。  

关键挑战

全周期表材料空间庞大，四体相互作用显式参数化即可达到约10^8量级。

基础MLIP必须同时兼顾形成能、力、应力、高阶导数和缺陷结构。

大模型需在高精度下保持可用于分子动力学的计算效率。

下游微调容易导致灾难性遗忘，专用小模型又可能失去通用性。

本文要解决的核心问题是：如何构建一个跨元素、可高效评估、可微调且不易遗忘的基础原子间势。

      PART 4    

        技术原理与创新点      

    GRACE将原子结构表示为化学种类与邻域键矢量，通过径向基、球谐函数和化学嵌入构造单粒子基，再经递归ACE耦合形成星图或树图多体基。单层模型描述局域直接相互作用，双层模型通过等变消息传递引入半局域相互作用。  

    模型使用低秩化学嵌入压缩元素间相互作用，并以递归方式求值图基函数，因此随递归层数和每层ACE消息复杂度近似线性扩展。能量由原子能量求和得到，力由总能量对原子位置求梯度得到，保证保守力场；计算全程采用FP64双精度。  

方法分解

1.

构建基础数据：使用OMat24进行初始训练，并结合MPTraj与去泄漏的sAlex进行OAM微调。

2.

设计架构族：比较1L、2L以及small/medium/large复杂度模型。

3.

下游适配：在Al-Li、H2COMB和HEA数据上测试微调、冻结权重微调和模型蒸馏。

4.

全面验证：覆盖稳定晶体、热导率、弹性、晶界、表面、点缺陷、长时MD与计算性能。

创新清单

将ACE推广到树图GRACE基，兼具完备性和消息传递表达能力。

用张量分解与化学嵌入实现稀疏、低秩的跨元素相互作用表示。

在FP64下实现高效推理，并支持LAMMPS大规模MD。

通过冻结权重微调与蒸馏展示基础势到专用势的可控迁移路径。

方法流程

1.

输入原子种类与坐标，构造6 Å截断内邻域键矢量，输出几何与化学特征。

2.

用Chebyshev径向基、球谐函数和128维化学嵌入构造ACE基，输出局域多体描述符。

3.

对2L模型执行等变消息传递与第二次ACE递归，输出半局域树图GRACE基。

4.

聚合不变量基并经MLP得到原子能量，求和得到总能量，并自动微分得到力和应力。

相比常规GNN基础势，GRACE的本质差异是用形式完备的ACE图基来表达消息传递，而不是依赖不可控的神经网络近似基。

      PART 5    

        实验验证与性能      

    实验覆盖基础势最关键的应用场景：MatBench Discovery稳定晶体识别、κSRME热导率预测、弹性常数、晶界/表面/点缺陷形成能、FLiBe长时MD稳定性，以及GPU/CPU推理效率。  

    作者还进一步验证了模型可迁移性：Al-Li小数据微调优于从头训练；H2COMB中冻结权重显著缓解灾难性遗忘；HEA任务中蒸馏出GRACE-FS学生模型，实现大幅加速。  

评测维度

1.

稳定结构识别与热导率

•

MatBench Discovery：GRACE-2L-OAM-L F1 = 0.890，对比最高UMA-M-1.1为0.930。

•

热导率：GRACE-2L-OAM-L κSRME = 0.168，为表中最低误差。

2.

缺陷与非平衡结构

•

晶界：多数模型ΔγGB低于5 meV/Ų。

•

点缺陷：SIA形成能MAE约0.2–0.4 eV，空位约0.1–0.2 eV。

3.

分子动力学稳定性

•

FLiBe 973 K、约3000原子、1 ns NVE模拟，能量漂移约5 × 10^-9 eV/atom/ns。

•

Be/F/Li扩散系数为1.33、1.58、5.86 × 10^-5 cm²/s，接近AIMD参考。

4.

效率与模型压缩

•

2L GRACE在A100上约27–120 μs/atom-step，1L约10–28 μs/atom-step。

•

GRACE-FS学生模型CPU成本0.56 ms/atom/core，对比GRACE-2L的34.48 ms/atom/core，约61.6倍加速。

关键结果表

最关键的性能结论是：GRACE模型在热导率和多类材料性质验证中形成新的精度—效率Pareto前沿，并能通过微调/蒸馏转化为高效专用模型。

      PART 6    

        学术贡献      

提出面向基础原子间势的GRACE模型族，将完备ACE图基与高效消息传递结合。

在OMat24、MPTraj和sAlex等大规模数据上训练跨周期表基础势，并系统评估其泛化能力。

证明GRACE可在稳定晶体、热输运、弹性、缺陷和长时MD等任务中保持稳健表现。

展示冻结权重微调和模型蒸馏可缓解灾难性遗忘，并生成快速学生势。

该工作将基础原子间势从“单一大模型预测器”推进到“可适配、可压缩、可持续迁移的原子模拟基础平台”。

      PART 7    

        局限性与未来方向      

    GRACE虽表现出强泛化能力，但验证仍无法穷尽周期表中所有组合与模拟任务；部分碱金属K、Rb、Cs在晶界和表面任务中误差偏高，作者认为可能与6 Å截断不足有关。  

    此外，H2COMB等数据集与基础训练数据的DFT设置差异较大，零样本误差仍高；虽然冻结权重能缓解遗忘，但LoRA、delta tuning等更系统的参数高效微调仍有待探索。  

待解决问题

扩展更长截断或多尺度相互作用，以改善大半径元素和稀疏结构表现。

系统评估不同DFT泛函、赝势和高精度量化数据之间的迁移。

已验证冻结权重微调可缓解灾难性遗忘，但仍需更通用的参数高效微调策略。

已验证蒸馏可显著加速，但不同教师/学生复杂度的最优设计仍需扩展。

最重要的下一步方向是建立可控的基础势适配体系，让通用GRACE模型可靠迁移到特定化学体系、精度层级和大规模MD场景。

      PART 8    

        总结      

    GRACE以完备图ACE基为核心，为基础机器学习原子间势提供了兼具物理对称性、计算效率和下游适配能力的新方案。其在热导率、稳定性、缺陷、长时MD和蒸馏加速中的表现说明，基础势不仅可以“通用预测”，还可以成为专用高性能势的教师模型。  

一句话说，GRACE把跨周期表原子模拟从“重训一个势”推进到“调用、微调并蒸馏一个基础势”。

      PART 9    

        图文赏析      

Figure 1

图1。| 精度与效率的帕累托前沿。a 稳定结构识别的模型性能（MatBench Discovery基准中的F1分数）与计算时间的关系。b 热导率预测误差（κSRME）与计算时间的关系。更高的F1分数和更低的κSRME表示更好的性能。蓝色虚线连接帕累托最优模型。计算性能通过ASE（实心符号）和LAMMPS（空心符号）估计，GRACE模型以红色表示。

Figure 2

图2。| 弹性常数的对称相对平均误差（SRME）和MAE（ΔC，单位GPa），分为三个子组：纵向（C11、C22、C33）、泊松比相关（C12、C13、C23）和剪切（C44、C55、C66）。更多细节见正文。

Figure 3

图3。| 单元素体系晶界形成能的精度：对称相对平均误差γGB-SRME和平均绝对误差ΔγGB。GRACE模型以红色突出显示。

Figure 4

图4。| 单元素体系表面形成能的精度：对称相对平均误差γsurf-SRME和平均绝对误差Δγsurf。GRACE模型以红色突出显示。

Figure 5

图5。| 单元素体系点缺陷形成能的精度。a 自间隙原子（SIA）和 b 空位的误差指标。GRACE模型以红色突出显示。

Figure 6

图6。| 973 K下FLiBe盐的径向分布函数。来自GRACE势分子动力学模拟（实线）的Be–F（蓝色）、F–F（橙色）和F–Li（绿色）原子对的部分RDF，与AIMD-DFT参考数据75,76（黑色虚线）进行比较。

Figure 7

图7。| 基础GRACE势的计算性能和内存缩放。上面板显示在A100-80GB GPU上各种架构的LAMMPS计算成本（μs/原子-步）。下面板显示内存限制，即可模拟原子的最大数量（10^3）。颜色表示材料体系：Al（蓝色）、FLiBe（橙色）、H2O（绿色）和C（红色）。

Figure 8

图8。| Al-Li体系上的微调性能。a 能量、b 力、c 形成能、d 弹性矩阵元素、e 声子态密度（PhDOS）和 f 空位形成能的平均绝对误差（MAE）。PhDOS误差通过Tanimoto相似度1 − SPhDOS衡量。训练结构数量为零时的数据对应于零样本模型。

Figure 9

图9。| 微调GRACE-2L-OAM模型的力的平均绝对误差（MAE）。x轴显示新H2COMB数据集（下游任务）上的MAE，y轴显示原始sAlex数据集上的MAE。sAlex的性能分为H、O原子（浅灰色菱形）和其他元素（深灰色三角形）。‘Baseline’指零样本模型。‘Naive’对应策略1（朴素微调）。‘Trainable-1’和‘Trainable-2’分别对应策略2a和2b，表示不同的冻结权重方法。

Figure 10

图10。| 模型蒸馏中的效率和精度权衡。a 主要任务（HEA25S力MAE）精度与一般化学稳定性（二级任务：形成能MAE）之间的权衡。b 计算成本与主要任务精度的关系。c 计算成本与二级任务精度的关系。GRACE-2L和GRACE-FS架构的计算性能均在10核CPU上评估，并按每核归一化。详见正文。

Figure 11

图11。| GRACE模型的架构。a 模型架构的整体示意图。b 递归ACE基评估细节。