一种基于元素机器学习势函数和遗传算法协同优化的Zn-Zr-O团簇全局结构搜索方法

本发明属于计算化学、理论催化、计算材料学及人工智能辅助材料设计领域，具体涉及一种基于元素机器学习势函数和遗传算法协同优化的zn-zr-o团簇全局结构搜索方法。

背景技术：

1、zn-zr-o类多组分氧化物材料具有良好的催化性能，在二氧化碳加氢制甲醇等催化反应中具有重要的研究和应用价值。现有理论研究通常采用周期性表面、界面或晶面模型描述催化材料的局域结构，并利用密度泛函理论对反应物吸附、反应路径及活性位点进行研究。

2、然而，实际催化材料通常具有非均匀、非平面及多尺度的结构特征，其表面可能存在不同尺寸的团簇、低配位原子以及局部结构缺陷。与理想周期性表面模型相比，氧化物团簇能够从非周期性结构角度描述尺寸效应、表面效应及低配位结构。因此，对zn-zr-o团簇进行稳定结构搜索，对于建立更加合理的催化剂结构模型以及研究其潜在活性结构具有重要意义。

3、对于同时包含zn、zr和o三种元素的团簇体系，随着团簇尺寸增大以及元素空间排列方式增加，其可能的原子构型数量快速增加。采用第一性原理方法对大量随机生成的团簇结构逐一进行几何优化和能量计算，需要较高的计算成本，难以在较大的构型空间内开展充分的结构搜索。

4、遗传算法能够通过选择、交叉和变异等操作在结构空间中进行全局搜索，因此可用于团簇稳定结构的搜索。然而，直接采用随机生成的团簇结构作为遗传算法初始种群时，容易产生较多高能结构以及原子间距离不合理的结构；同时，不同随机结构经过局域结构优化后可能收敛至相同或相似的局域极小结构，从而造成初始种群中结构重复、结构多样性不足，影响后续全局搜索效率。

5、机器学习势函数能够基于第一性原理计算得到的结构、能量和原子受力数据建立原子结构与体系能量及原子受力之间的映射关系，并以低于第一性原理计算的成本进行大规模结构优化和能量评价。因此，将机器学习势函数用于团簇结构搜索能够降低大量结构优化和能量评价所产生的计算成本。

6、但是，对于zn-zr-o等包含多种元素及复杂局域结构的氧化物团簇体系，机器学习势函数的预测能力与训练数据对不同元素组合、原子间距离、局域配位环境及结构构型的覆盖程度密切相关。当训练数据主要来源于少量预先获得的稳定结构或相似结构时，容易造成局域原子环境覆盖不足，使机器学习势函数在未参与训练的结构区域中的预测能力受到限制。因此，需要通过随机结构探索等方式增加不同元素组合和局域原子环境的覆盖，并通过结构筛选获得具有代表性的训练数据。

7、此外，仅利用机器学习势函数对随机团簇进行结构优化，仍可能受到初始结构分布的影响，部分结构可能收敛至相同或相近的局域极小值，难以充分覆盖复杂团簇的构型空间。因此，如何结合机器学习势函数的低成本结构优化和能量评价能力、分子动力学热扰动产生结构重排的能力以及遗传算法的全局搜索能力，构建适用于zn-zr-o多组分氧化物团簇的高效结构搜索方法，仍是需要解决的问题。

技术实现思路

1、本发明的目的在于提供一种基于元素机器学习势函数与遗传算法协同优化的zn-zr-o团簇全局结构搜索方法，以解决现有技术中采用第一性原理对大量团簇候选结构逐一进行结构优化和能量评价导致计算成本较高，以及直接采用随机结构构建遗传算法初始种群容易产生高能结构、重复结构和结构多样性不足，导致复杂zn-zr-o团簇构型空间搜索效率较低的问题。

2、本发明进一步通过面向zn、zr、c、h和o元素间局域原子环境及相互作用关系构建元素机器学习势函数，并利用机器学习分子动力学热扰动采样扩大候选团簇构型空间，在此基础上构建具有较低平均能量和较高结构多样性的遗传算法初始种群，从而利用机器学习势函数和遗传算法协同完成zn-zr-o团簇的低能结构搜索，并通过第一性原理计算对最终候选结构进行高精度验证。

3、为实现上述目的，本发明采用如下技术方案：

4、本发明提供一种基于元素机器学习势函数与遗传算法协同优化的zn-zr-o团簇全局结构搜索方法，包括以下步骤：

5、s1、构建zn-zr-c-h-o结构数据集。针对zn、zr、c、h和o五种元素，采用随机探索虚拟化学优化（random exploration of imaginary chemical optimization, reico）方法生成具有不同元素组成、原子数量、空间排列及局域配位环境的结构构型，并对随机结构进行结构优化，获得不同局域原子环境和元素间相互作用的候选结构。

6、对采样获得的结构进行筛选和去重，获得具有代表性的结构数据，结合第一性原理计算获得所述结构的能量和原子受力，形成结构-能量-力数据集。

7、s2、训练元素机器学习势函数。将所述结构-能量-力数据集划分为训练数据和验证数据，采用机器学习模型对zn、zr、c、h和o元素的局域原子环境与能量及原子受力进行拟合，获得基于元素的机器学习势函数（element-based machine learning potential，emlp）。

8、在优选实施方式中，采用e(3)等变图神经网络作为元素机器学习势函数的拟合模型；进一步地，所述拟合模型采用mace模型。

9、通过测试数据评价所述元素机器学习势函数对体系能量和原子受力的预测能力，并采用未参与训练的zn-zr-c-h-o结构对其结构优化和能量预测能力进行验证。

10、s3、根据目标团簇组成和尺寸随机生成多个zn-zr-o初始团簇结构，并采用所述元素机器学习势函数对初始结构进行几何优化，获得优化后的候选团簇结构。

11、s4、采用机器学习分子动力学进行热扰动采样。以步骤s3获得的优化后团簇结构作为机器学习分子动力学初始构型，在预设温度、模拟时间和积分时间步长条件下进行分子动力学模拟。

12、在热扰动采样过程中，利用元素机器学习势函数计算原子间相互作用，并通过分子动力学积分获得团簇原子的运动轨迹，使zn、zr和o原子的空间位置、原子间距离以及局域配位关系发生变化，从而获得不同空间排列和局域原子环境的候选团簇构型。

13、按照预设时间间隔或随机方式从分子动力学轨迹中抽取多个候选构型，并采用元素机器学习势函数进行结构优化。

14、所述机器学习分子动力学热扰动采样用于扩大团簇构型空间的采样范围以及为遗传算法（genetic algorithm，ga）提供候选结构，而非用于评价团簇热稳定性。

15、s5、对s4获得的候选团簇结构进行结构去重以及低能筛选，获得遗传算法初始种群；

16、s6、采用遗传算法进行全局结构搜索。将步骤s5获得的每一个团簇结构作为遗传算法个体，以元素机器学习势函数计算得到的结构能量作为适应度评价依据，对于元素组成和原子数量相同的团簇结构，结构能量越低，其保留优先级越高。

17、从当前种群中选择预设数量的低能团簇作为父代结构，并对父代结构实施交叉和变异操作。

18、所述交叉操作包括对两个父代团簇中的部分空间区域、局域结构单元或原子排列进行组合，以生成新的候选团簇结构。

19、所述变异操作包括改变zn、zr和o原子的空间位置、原子坐标、空间排列方式或局域配位关系，以生成区别于父代结构的候选团簇结构。

20、对交叉和变异产生的新候选结构进行原子间距离及结构合法性检查，并采用元素机器学习势函数进行结构优化和能量评价。

21、根据结构能量对候选结构进行排序，保留低能结构进入下一代种群，并重复执行选择、交叉、变异、结构优化及能量评价过程，直至满足预设收敛条件或达到预设最大迭代次数。

22、s7、第一性原理高精度验证。从遗传算法迭代获得的低能候选团簇结构中选取预设数量的候选结构，采用第一性原理方法进行高精度计算。

23、在一种实施方式中，首先对所述候选结构进行第一性原理单点能量计算，根据单点能量进行初步筛选；随后对筛选后的低能候选结构进行第一性原理几何优化，并根据几何优化后的体系能量对候选结构重新排序。

24、将第一性原理计算获得的低能结构作为目标组成和尺寸zn-zr-o团簇的稳定候选结构。

25、通过上述步骤，利用元素机器学习势函数承担大规模结构优化和能量评价，利用遗传算法扩大和搜索团簇构型空间，并利用第一性原理计算对最终低能候选结构进行高精度验证，从而降低整体结构搜索过程中的第一性原理计算量。

26、与现有技术相比，本发明具有以下有益效果：

27、（1）本发明采用元素机器学习势函数替代遗传算法搜索过程中大量候选结构的第一性原理结构优化和能量评价，在保证对zn-zr-o团簇结构和局域原子环境进行描述的基础上，提高大规模候选结构筛选和优化的计算效率。

28、（2）本发明通过随机结构探索和局域原子环境采样获得不同元素组合、原子间距离及局域配位关系的结构数据，并结合第一性原理计算获得体系能量和原子受力，用于训练元素机器学习势函数，从而提高机器学习势函数对不同zn-zr-o局域结构的覆盖能力。

29、（3）本发明在遗传算法搜索前引入机器学习分子动力学热扰动采样，利用热运动诱导zn、zr和o原子的空间重排及局域配位变化，获得区别于初始结构的候选构型，为遗传算法提供更加丰富的结构候选。

30、（4）本发明通过“随机结构生成-机器学习势函数优化-机器学习分子动力学热扰动-构型抽取-结构优化-相似性去重-低能筛选”的流程构建遗传算法初始种群，在降低高能和重复结构比例的同时保留结构多样性，有利于提高遗传算法的全局搜索能力。

31、（5）本发明利用元素机器学习势函数完成大规模候选结构的快速优化和能量评价，利用遗传算法进行结构空间搜索，并采用第一性原理计算对最终低能候选结构进行高精度验证和排序，从而在计算效率与结构可靠性之间实现平衡。

32、（6）本发明在保持所述技术方案基本原理不变的情况下，可进一步用于其他多组分氧化物团簇的结构搜索。