Optimera överföring mellan domäner för universella maskininlärnings‑interatomära potentialer

Smartare simuleringar för verkliga material

Att designa nya batterier, katalysatorer och elektroniska material förlitar sig i allt större utsträckning på datorbaserade simuleringar som följer atomer i rörelse. De mest tillförlitliga simuleringarna, baserade på kvantmekanik, är extremt precisa men alltför långsamma för att utforska miljontals kandidatmaterial. Snabbare maskininlärningsmodeller kan efterlikna kvantberäkningar, men de fungerar ofta bara i snäva situationer — till exempel endast kristaller eller endast molekyler. Denna artikel föreslår ett sätt att bygga en enda universell modell, kallad SevenNet‑Omni, som förblir noggrann över många typer av material, från metallytor och molekylära vätskor till porösa strukturer, samtidigt som den fortfarande körs tillräckligt snabbt för storskalig upptäckt.

Varför dagens atommodeller inte generaliserar väl

Dagens maskininlärnings‑interatomära potentialer tränas vanligtvis på en enda, noggrant kurerad databas: en för oorganiska kristaller, en annan för läkemedelsliknande molekyler och ytterligare en för katalytiska ytor. Varje databas byggs med sina egna kvantkemiska inställningar, så de underliggande energilandskapen skiljer sig åt i subtila, icke‑linjära sätt. Att helt enkelt sammanfoga dessa data — kanske genom att förskjuta eller skala energier — introducerar brus och leder till modeller som passar sin hemmadomän väl men som misslyckas när de ska beskriva främmande kemier eller något olika kvantmetoder. Eftersom materialproblem i allt högre grad blandar domäner, till exempel molekyler som reagerar på fasta ytor i lösning, har denna brist på överförbarhet blivit en allvarlig flaskhals.

En gemensam ryggrad med mild specialisering

Författarna tar itu med detta genom att betrakta varje databas som en egen ”uppgift” i ett enda flerstatsligt neuralt nätverk. Inuti modellen bildar en uppsättning parametrar en delad ryggrad som fångar upp allmänna regler för atombindningar, medan mindre, uppgiftsspecifika parametrar finjusterar beteendet för särskilda dataset. En matematisk analys visar att om de uppgiftsspecifika delarna blir för stora, tenderar modellen att memorera varje databas och glömma hur man generaliserar. För att förhindra detta tillämpar författarna selektiv regularisering: de straffar direkt stora uppgiftsspecifika parametrar men låter den delade ryggraden växa fritt vid behov. Detta styr nätverket att förklara så mycket som möjligt genom gemensam fysik och endast använda måttliga korrigeringar för varje domän.

Att koppla ihop avlägsna världar med några nyckelexempel

Även med regularisering finns vissa regioner i det kemiska rummet som endast förekommer i en databas, så den delade ryggraden får ingen vägledning där. För att åtgärda detta introducerar teamet en ”domän‑brosett”. De väljer noggrant en liten andel — ungefär en på tusen — av konfigurationerna från flera databaser och beräknar om dem med en gemensam kvantmekanisk uppsättning. Dessa bryggstrukturer fungerar som tvåspråkiga fraser i en språkbok: de förbinder direkt hur två olika kvantmetoder beskriver samma atomära situation. När de inkluderas i träningen stärker de kraftigt länken mellan uppgifter och anpassar energilandskapen utan att behöva beräkna om allt med våldsam kraft. Systematiska tester visar att regularisering och bryggsetet förstärker varandra och förbättrar prestandan mer än vad någon av åtgärderna kan göra ensam.

Bygga och testa en universell atommotor

Baserat på dessa idéer tränar författarna SevenNet‑Omni på 15 publika dataset som omfattar cirka 242 miljoner atomära strukturer, täckande molekyler, kristaller, katalysatorer, metall‑organiska ramverk och flera nivåer av kvantteori. De utvärderar sedan modellen i både välbekanta och utmanande situationer: kristallstabilitet, korngränser i metaller, defekter i stål, vridningsbarriärer i läkemedelsliknande molekyler, hybrida organiska‑oorganiska perovskiter, adsorption i porösa ramverk relevanta för koldioxidupptagning och reaktioner på metallytor viktiga för väte‑ och koldioxidomvandling. I dessa tester matchar SevenNet‑Omni ofta eller överträffar specialiserade modeller som tränats för en enda domän, och den bibehåller ”kemisk noggrannhet” för många reaktions‑ och adsorptionsenergier. Den återskapar också noggrant resultat från en kostsam kvantmetod (r²SCAN) genom att lära sig hur den metoden förhåller sig till billigare, mer rikligt förekommande data.

Vad detta betyder för upptäckt av nya material

För icke‑experter är huvudbudskapet att SevenNet‑Omni uppträder mycket som en erfaren forskare som arbetat i många delområden. Istället för att överanpassa sig till ett snävt problem lär den sig breda kemiska principer och tillämpar dem flexibelt på nya situationer, från gasupptag i porösa fasta ämnen till reaktioner på metallelektroder. Artikeln visar att detta är möjligt genom att omsorgsfullt dela information mellan dataset samtidigt som man lätt begränsar deras skillnader, och genom att lägga till ett litet antal noggrant utvalda ”översättnings”exempel mellan kvantmetoder. När större och mer varierade databaser fortsätter att dyka upp erbjuder denna träningsstrategi en skalbar väg mot verkligt universella, pålitliga atommodeller som kan påskynda upptäckt inom kemi, fysik och materialvetenskap.

Citering: Kim, J., You, J., Park, Y. et al. Optimizing cross-domain transfer for universal machine learning interatomic potentials. Nat Commun 17, 3432 (2026). https://doi.org/10.1038/s41467-026-70195-8

Nyckelord: maskininlärnings‑interatomära potentialer, multidomäns modellering av material, transferlearning, universell atomistisk potential, materialupptäckt