一句话结论:主动学习不是少算标签,而是选择标签算在哪里
机器学习原子势要从 DFT 计算中学习能量、力和应力。若训练集只覆盖低能平衡结构,模型在高温轨迹、缺陷、界面或反应路径上可能失效;若无差别地生成大量构型并全部做 DFT,则计算预算会被重复或与目标无关的样本耗尽。主动学习试图在两者之间建立闭环:模型驱动探索,筛选信息量高或风险高的构型,请高精度计算打标签,再训练改进模型。
DP-GEN 是这一思想在深度势训练流程中的代表性自动化工具。它组织候选结构探索、模型偏差筛选和第一性原理标注等步骤,但软件能自动执行不代表判断标准自动正确。委员会分歧、模型不确定度或经验阈值只是“值得复算”的指标;它们可能漏掉共同盲区。可靠的主动学习还需要目标相关测试集、物理约束、失败记录和人工干预机制。
从随机采样到闭环采样
标准监督学习通常先构造数据集,再训练模型;主动学习把下一批标签的选择也纳入学习过程。对原子势而言,探索阶段可来自分子动力学、结构扰动、不同温度或压力下的采样,也可来自缺陷、界面和反应路径构型。候选构型进入筛选器后,模型评估是否已经熟悉它们,再决定哪些结构提交给 DFT。计算完成后,能量、力和应力被加入数据库,模型重训,流程继续。
一个常见循环可抽象为:
flowchart TD
A[已有 DFT 标签训练初始势] --> B[模型驱动结构探索]
B --> C[估计新构型的偏差或不确定度]
C --> D{是否在采样与安全范围内}
D -->|低信息或重复| E[跳过并记录原因]
D -->|高价值且可计算| F[DFT 标注候选]
D -->|结构异常或风险高| G[暂停并人工检查]
F --> H[数据质检与去重]
H --> I[合并标签并重训势]
I --> J[独立验证目标任务]
J --> B
这里的“高价值”需要依据研究目标选择。如果目的是扩展训练域,可以优先采集模型分歧较大的构型;如果目标是稳定高温轨迹,可以强调物理轨迹中会实际到达的状态;如果要研究化学反应,则需要覆盖反应物、过渡态附近和产物。随机生成的高不确定构型可能完全不具备物理意义,直接提交高成本 DFT 未必划算。
不确定度采样:常用,但不是可靠性证明
最常见的模型不确定度近似之一是模型委员会:用不同随机初始化、数据子集或模型设置训练多个势,在同一结构上比较预测力的分歧。若分歧大,可能说明构型位于训练集较少覆盖的区域;这个信号可用于筛选候选标签。委员会法的优势是相对容易整合到现有工作流,尤其能发现一些明显的分布外构型。
然而,分歧不是误差的同义词。多个模型可能都对一类构型预测错误,却因共享训练数据、相似架构和优化设置而达成一致;也可能模型间分歧较大,但差异不影响研究者关心的宏观量。用于主动采样时,阈值要通过验证集校准:检查高分歧点是否确实具有较大 DFT 力误差,低分歧点是否仍有高误差,并分别评估不同元素、配位、能量和温度区域。一个全局阈值可能对不同化学环境不公平。
还有一些方法用模型的方差、表示空间距离、能量偏差或局部环境新颖度做采样。它们检测的是不同信号,没有一项能单独识别所有失效模式。可将多指标组合:例如高分歧触发 DFT;结构无效或超出数值范围触发拒绝;重复局域环境触发去重;近边界样本允许保留但标记。组合规则需通过可重复实验评估,并把阈值、模型版本和候选来源写入日志。
DP-GEN 如何组织探索、偏差筛选与标注
DP-GEN(Deep Potential GENerator)面向深度势模型的自动化训练与数据生成工作流。其常见工作方式是围绕初始数据构建模型集合,通过分子动力学等方式探索构型,评估候选在多个模型之间的预测偏差,再把满足筛选标准的结构送入第一性原理程序计算,最后将标签加入训练数据并重训模型。软件层面还要管理不同计算引擎、作业队列和数据目录,方便在高性能计算环境中迭代。
需要区分论文/理论框架与软件当前功能说明。DP-GEN 官方文档以 dpgen run 作为主要流程入口,支持相应的任务配置与集群作业管理;是否适用于某个体系、代码版本和计算集群,要以对应版本的文档、接口和输入模板为准。框架本身不会替用户选对 DFT 泛函、决定数据是否代表目标化学空间,也不会自动证明最终势的扩散系数、相变温度或反应速率正确。
标注本身也有质量门槛。高不确定构型可能来自分子动力学发散、非物理碰撞或单位与结构文件错误;若一股脑提交计算,可能产生不收敛标签或错误自洽解。标注后应检查 SCF 收敛、磁态、原子顺序、坐标映射、能量与力单位以及异常的最大力。不同作业的失败不能静默丢弃,因为失败原因可能揭示探索器走到了域外、赝势设置有问题或筛选阈值不合理。
采样多样性和标签预算
一个常见误区是以为“越不确定越要标注”。如果模型因某种数值异常给出极高分歧,且候选结构明显不物理,DFT 标注并不能改善目标轨迹;如果多个候选属于几乎相同的局域环境,重复标签的边际价值很低。可以先按结构相似性或局域环境指纹聚类,给每类挑代表样本,再加少量边界样本。标签预算分配还应平衡已知区域精修与新环境探索。
Active learning 还需要考虑对模型影响较大的“边界样本”。模型误差最大的不一定是最能改善实际任务的点;例如目标是某一相的热膨胀系数,采样应覆盖相关温度与相空间,而不是追求所有可能结构上的统一误差。对轨迹用途,关注势能面梯度和长期稳定性;对静态能量排序,关注候选能差;对反应,关注过渡态区域。采样策略应围绕最终决策量设计。
Lookman 等人关于材料科学主动学习的综述强调自适应采样和不确定度在材料设计中的作用,并回顾反馈机制改进预测的案例。综述提供框架与领域背景,不能替代针对具体体系的验证。实践中应把“采样效率提高”定义成可测指标,如每个 DFT 标注获得的验证误差下降、目标轨迹的稳定区域扩展或最终目标量的置信区间缩小,而不是只用新增样本数衡量。
如何验证采样策略真的有效
比较主动学习策略时,应把“每轮新增几个点”与“同等 DFT 预算下解决目标任务的质量”分开。可建立固定、独立的验证组,用于监控目标性质、关键温度轨迹或缺陷能差,并且不将它用于采样决策;另设候选池来模拟新一轮可选构型。对照方案至少包括随机抽样或简单覆盖采样,再在相同标注预算下比较目标误差、覆盖范围、计算失败率和最终物理量。若仅报告训练集误差下降,无法判断主动策略是否优于随机采样。
随机性也需纳入评估。不同初始构型、模型初始化和模拟轨迹可能生成不同候选,单次运行的好结果可能只是幸运样本。建议记录每轮样本选择过程,使用多个独立运行或多个数据拆分估计波动,并报告采样失败、重复和未进入标注的数量。预算允许时,再检查不同阈值、模型委员会大小或探索温度对结论的敏感性。主动学习的效率比较本身也应可复现,不能只公布最终最大值而省略它如何被找到。
如果筛选策略让模型不断从同一模拟器的轨迹取样,最终数据分布会被该模型的偏差塑形;尚未被模拟器访问的反应路径和相态仍可能完全缺席。因此应设计独立的探索来源,例如不同初始结构、受控扰动或目标任务的外部构型,并对低不确定但高影响的区域做压力测试。采样器越自动化,越需要明确其可观察范围和盲区。
一个简单的委员会筛选器示意
下面的 Python 示例展示如何按同一构型上多模型力预测的标准差筛选样本;它假设 forces 形状为 [n_models, n_atoms, 3]。此代码只提供透明的示意统计,未实现周期性原子势、模型校准、结构有效性检查或 DP-GEN 工作流。
import numpy as np
forces = np.array([
[[0.10, 0.02, 0.00], [-0.08, 0.00, 0.03]],
[[0.13, 0.01, 0.02], [-0.07, 0.01, 0.04]],
[[0.11, 0.03, 0.01], [-0.09, 0.00, 0.01]],
])
# 先对模型维度计算标准差,再取最大原子/分量偏差作为保守评分。
model_spread = forces.std(axis=0)
score = float(model_spread.max())
threshold = 0.05
print("committee_spread:", score)
print("request_DFT_label:", score > threshold)
真实阈值要根据训练分布和独立 DFT 测试对照校准,不可照抄示例中的数值。还应考虑原子数归一化、分量尺度、整体刚体运动、应力误差和目标体系的风险容忍度。若模型委员会的成员高度相关,输出的 spread 可能低估真实不确定性。建议用已知外推样本做压力测试,评估阈值漏报率,并将未覆盖情况列为模型限制。
何时停止迭代,何时暂停
主动学习可以在满足验证要求、采样不再发现新高风险局域环境、额外标签带来的验证收益有限时停止;不应只因偏差分数暂时低就结束。验证集必须与用于挑选样本的指标分开,避免模型在迭代过程中间接对同一测试集过拟合。关键测试集可由不同温度、组成、相态、缺陷和独立构型组构成,并保留外推压力测试。
运行中如出现分子动力学温度爆炸、晶格坍塌、极端原子间距、DFT 不收敛、能量或力突然超范围,应触发暂停与诊断。自动系统应具备明确的回退动作:保存最后一个稳定状态、停止新作业、记录候选来源和模型版本、要求人工审查。对用于科学结论的势,最终要通过相关物理量验证,而不是把低预测偏差本身当成正确性。
恢复时应先隔离异常批次,未收敛或原子映射不明的结果不入库;核对输入和日志,区分采样越界、DFT 设置与调度/文件故障。系统故障修复后从检查点重试;若构型本身失真,则回到最近稳定帧调整探索条件,重新筛选,不要直接降低阈值。新标签通过原子顺序、单位和收敛状态核验后再合并,重训后重跑固定回归集;目标性质退化时撤回该轮模型,恢复上一版通过验证的势。
主动学习的价值在于更有策略地投入高精度标签,逐步扩展模型覆盖;它不能通过采样技巧消除标签偏差、算法共识错误或超出模型能力的外推。推荐的报告至少包括候选生成策略、采样评分、阈值选择依据、DFT 协议、失败率、数据去重规则、每轮数据量和外部验证结果。这样,后续研究者才有可能判断模型是学到了可迁移的势能面,还是仅仅适配了采样器反复访问的区域。
参考资料
- Lookman 等:Active Learning in Materials Science with Emphasis on Adaptive Sampling Using Uncertainties for Targeted Design(2019) — 材料科学主动学习和不确定度采样综述。
- Zhang 等:DP-GEN: A Concurrent Learning Platform for the Generation of Reliable Deep Learning Based Potential Energy Models(2020) — DP-GEN 并行学习工作流的论文描述。
- DP-GEN 官方项目文档 — 组件、安装与运行入口;具体工作流须核对对应版本文档。
- Batzner 等:E(3)-Equivariant Graph Neural Networks for Data-Efficient and Accurate Interatomic Potentials(2022) — 等变原子势论文中的数据效率案例与方法背景。
读者留言
COMMENTS 暂无还没有留言,来说第一句?