1. 项目概述在表面化学和催化材料设计中分子在合金表面的吸附构型优化是一个关键问题。传统方法如密度泛函理论(DFT)虽然能提供精确结果但计算成本高昂尤其在大规模系统或高通量筛选中显得力不从心。机器学习原子间势(MLIPs)的出现为解决这一困境提供了新思路它能在保持第一性原理精度的同时大幅降低计算成本。本文介绍了一种基于Tensor Train分解的优化器(TTOpt)来解决高阶无约束二进制优化(HUBO)问题的新方法。该方法通过将吸附能表示为多吸附体相互作用项的和并利用MACE-Osaka24机器学习势能进行训练实现了对CO和NO分子在各种合金表面吸附构型的高效优化。关键创新点相比传统量子退火和数字退火器只能处理二次项优化问题(QUBO)我们的HUBO方法能直接处理高阶相互作用项且不需要专用硬件支持。2. 核心方法解析2.1 吸附能建模框架对于具有N个吸附位点的基底吸附构型可以用向量σ(σ₁,σ₂,...,σ_N)描述其中σ_i∈{0,1}表示第i个位点是否被占据。吸附能E_adsorption可以表示为E_adsorption(σ) E_total(σ) - E_substrate - n·E_adsorbate其中E_total是吸附体系总能量E_substrate是基底能量E_adsorbate是单个吸附分子在真空中的能量。更关键的是我们可以将吸附能展开为多体相互作用项的和E_adsorption(σ) Σ U_iσ_i Σ U_ijσ_iσ_j Σ U_ijkσ_iσ_jσ_k ...这种展开形式直接引出了我们的优化问题框架。2.2 QUBO与HUBO问题转化当只保留到二阶项时我们得到标准的QUBO问题E_QUBO(σ) Σ U_iiσ_i 2Σ U_ijσ_iσ_j而包含三阶项的HUBO表达式为E_HUBO(σ) Σ U_iiiσ_i 6Σ U_ijjσ_iσ_j 6Σ U_ijkσ_iσ_jσ_k系数U的确定方法U_ii 单分子吸附能U_ij (双分子吸附能 - U_ii - U_jj)/2U_ijk (三分子吸附能 - 相关二阶项 - 单分子项)/6注意事项在实际计算中当两个吸附分子距离小于2.3Å时我们会跳过该构型的计算直接设置E10eV作为强排斥势。2.3 Tensor Train优化器(TTOpt)TTOpt的核心思想是将高维张量通过Tensor Train分解表示为低秩TT格式T[i1,i2,...,id] Σ C1[r0,i1,r1] C2[r1,i2,r2] ... Cd[rd-1,id,rd]这种分解能有效应对维度灾难问题。在我们的应用中每个吸附位点对应一个维度(大小2表示占据与否)隐式定义能量张量E元素值由QUBO/HUBO公式计算通过TT-CAM和maxvol算法高效搜索最低能量构型优化过程的关键参数最大TT秩我们测试了2-50的范围最大评估次数设置为10^7次能量映射函数E π/2 - arctan(E - E_min)3. 计算细节与实现3.1 体系建模我们研究了两种基底类型二元合金(111)面slab模型4×4×4 FCC晶胞两种金属1:1比例40Å真空层周期性边界条件包含Rh-Cu、Pd-Pt等15种合金组合高熵合金(HEA)纳米颗粒38原子截角八面体结构IrPdPtRhRu五种元素随机分布生成25种不同构型用于统计吸附分子选择CO和NO因其在催化反应中的重要性。3.2 机器学习势能应用使用MACE-Osaka24large版本(双精度)计算能量E(3)-等变图神经网络统一描述有机分子和无机晶体体系几何优化使用LBFGS算法(力阈值10^-3 eV/Å)计算流程用ASE生成初始几何结构用ACAT工具构建吸附构型固定基底原子仅允许吸附分子垂直弛豫计算单、双、三分子吸附能构建QUBO/HUBO系数4. 结果分析与讨论4.1 Pd-Pt表面CO吸附案例图4展示了QUBO与HUBO方法的对比结果在低覆盖率(0.4)时两者结果一致高覆盖率时出现显著差异QUBO预测能量持续下降HUBO显示能量回升(反映位点饱和效应)误差分析(图4c)QUBO误差在覆盖率0.6时超过化学精度(0.043eV)HUBO误差始终低于阈值吸附位点分布(图4d)低覆盖率时两种方法预测相同高覆盖率时HUBO预测更分散的构型4.2 多种合金体系的普适性验证图5展示了15种二元合金的结果CO吸附QUBO在0.4-0.6覆盖率后误差增大HUBO保持高精度至接近饱和NO吸附表现出相似趋势能量差异分析(图6)HUBO找到的构型普遍能量更低差异在高覆盖率时更显著4.3 高熵合金纳米颗粒应用我们将方法扩展到更复杂的HEA体系170个吸附位点随机元素分布带来更多局部极值HUBO仍能保持化学精度证明了方法对非周期性、复杂体系的适用性5. 方法优势与局限5.1 相比传统方法的优势计算效率相比DFT速度提升2-3个数量级相比穷举法评估构型数量指数级减少硬件普适性不需要量子退火器等专用硬件在普通计算集群上即可运行高阶项处理直接处理三阶及以上相互作用无需引入辅助变量增加问题规模5.2 当前局限与改进方向精度依赖MLIP质量需要足够精确的势能面描述对新材料体系需要重新训练高维扩展性超过1000个位点时TT秩需要谨慎选择可考虑分层优化策略动态效应缺失当前静态优化未考虑温度效应未来可结合蒙特卡洛方法6. 实操建议与经验分享基于我们的实际计算经验总结以下关键建议参数调优策略TT秩选择建议从5开始逐步增加评估次数10^6-10^7通常足够并行化不同TT秩计算可完全独立进行构型初始化技巧对周期性体系优先考虑高对称位点对纳米颗粒先用粗粒度采样确定热点区域结果验证步骤对最优构型必须进行全几何优化检查吸附分子间最小距离(应2.3Å)比较不同TT秩结果确保收敛性常见问题排查能量不收敛检查MLIP训练质量构型不合理验证位点定义准确性性能瓶颈优化TT-CAM采样策略在实际应用中我们发现将HUBO与TTOpt结合使用时保持TT秩在10-20范围内通常能在精度和效率间取得良好平衡。对于特别复杂的体系可以采用渐进优化策略先用低TT秩快速定位大致区域再局部精细化。