最小结构模板基组如何预测二元凸包？

紧凑模板基组替代穷举搜索

这篇论文要回答的问题是：数量庞大的二元晶体结构空间，能否用一组少得多、可重复使用的原型结构来代表。其前提是化学空间可以划分为数量有限的若干区域，同一区域内的成键特征相似，因此一组紧凑的结构模板就能捕捉众多成分上的主要结构与能量趋势。

这里的模板是一种原型晶体结构，由成分、空间群和一组Wyckoff位置唯一确定。要把模板用于新的元素对，需把两种元素替换到晶格位置上，并在目标压强下按约束对称性弛豫晶胞和内部参数。得到的焓是该元素对在该模板上的估计值，而不是一次新的全局结构搜索。

参照标准是用USPEX生成结构、用Quantum ESPRESSO做弛豫和总焓计算的演化算法（EA）。由于模板路线和EA路线使用同一套DFT框架和收敛参数，两者之间的差异可以归因于结构预测策略，而不是电子结构计算设置不一致。

排序向量把焓值转成模板间距离

模板选择由数据驱动。对每个成分，算法先通过在一批随机抽取的生成元素对上运行EA搜索来构建SET1，只保留能量在最低焓结构之上0.1 eV每化学式单位以内、且空间群编号大于75（即四方对称或更高）的结构。

随后用一组试验元素对在每个模板上弛豫，对SET1进行筛选。对每个模板，这些元素对的焓构成一个排序向量：用所有模板中的最低焓减去该模板上的焓值，得到相对稳定性剖面。剖面相似的模板被视为冗余，用加权Levenshtein距离衡量，该距离更强调最低焓条目之间的一致性。

最终集合SET2把这一冗余度量与热力学稳定性、代表性结合起来。热力学稳定性按试验元素对中出现负形成焓的比例评估；代表性按模板多频繁地捕捉到独特的低焓成键环境评估。作者有意不引入实验原型和数据库结构，使基组不偏向历史上已被探索的化学体系；他们指出，这在高压等数据稀缺的情形下尤为重要。

基准覆盖105对轻元素组合

验证使用15种元素：H、Li、Be、B、C、N、O、F、Na、Mg、Al、Si、P、S和Cl，包括氢以及除稀有气体外的全部第一、第二周期元素。作者选择这组元素，是因为B、C、N等轻元素既能形成聚合物又有同素异形体，成键行为多样，使预测格外困难；同时原子序数低，可以忽略自旋轨道耦合。

该元素集合内的全部105种二元组合都被搜索，覆盖五个成分：A1B、A2B、A3B、A4B和A6B；由于方法对称处理元素对，ABn与AnB视为等价。所有EA搜索都在固定压强50 GPa下进行，作者称这一条件产生的凸包比常压更丰富、更复杂，因此是更严格的检验。

作者指出，若对三元体系做类似验证，单个凸包就需要约10^5 CPU小时，难以对多种化学体系做系统基准测试。因此二元体系被定位为受控试验台，用来考察结构空间能被压缩到什么程度，而不是证明同样的精度可以迁移到三元体系。

模板数量不多时误差已趋平台

精度用ΔH量化，即目标成分上模板预测与直接EA结果之间的基态焓差，并在元素对之间和多次独立运行之间取平均。这是逐成分的焓差，与后文讨论的整条凸包之间的面积差不是同一个量。

随着SET1中模板数量增加，ΔH对每个成分收敛到各自的平台值。作者把这一平台视为有限数量模板已能给出可靠近似的证据，因为残余误差相对于这些二元体系平均1.1 eV/atom的凸包深度仍然很小。不同成分收敛到不同数值，作者将其归因于成键环境不同：倾向于低对称、分子性或聚合性基态的成分，更难用高对称模板表示。

从SET1到SET2的约简步骤会引入额外误差，但随着SET2增大，焓差很快收敛到约简前的数值。作者据此认为SET1中存在冗余或信息量低的模板，而筛选能有效剔除它们。他们还报告，收敛斜率受SET1初始规模影响不大；以A3B成分为例，把SET1从30个模板增加到60个，精度只有边际提升，计算成本却接近翻倍。

三个超参数决定精度与成本权衡

用户可以控制SET1中的模板数、SET2中保留的模板数，以及构建排序向量所用的试验元素对数。三者都直接对应计算量：SET1模板越少，EA搜索越少；SET2模板越少，预测新元素对时需要的弛豫越少；试验元素对越少，构建排序时的弛豫越少。

试验元素对的数量可以低成本地削减。论文报告，只需少量试验元素对，约40对，排序向量因此较短，就足以达到与使用全集相同的精度。但低于这一水平会降低可靠性，所以节省存在下限。

SET2的结果给出最清晰的实用权衡：SET2越小，预测新元素对基态所需的弛豫越少，但精度也越低。由于约简步骤收敛很快，作者认为基组可以在精度明显下降之前大幅裁剪，这正是所报告加速得以实现的原因。

凸包指标区分成分重合与深度误差

最终评估用不同随机种子做了20次独立运行，超参数固定为平均形成焓误差约0.1 eV/atom的取值，作者把这一阈值视为可靠热力学筛选所需的精度水平。每次运行对每个成分生成各自的最小模板集，模板凸包由20次运行的形成焓平均得到。

三个指标被严格区分。面积差沿0到1的无量纲成分轴对模板凸包与EA凸包之间的绝对焓差积分，因此单位为eV/atom，表示整个成分范围内的总体误差。深度是EA方法预测的最低结构的形成焓绝对值，描述该元素对形成稳定化合物的倾向强弱。成分匹配衡量凸包上的点本身被复现得有多准确，因为凸包上的所有点都具有物理意义。

核心结果在0.1 eV/atom目标下给出：DFT弛豫次数减少15倍，同时识别稳定成分的准确率保持在87%。这个87%是成分识别率，既不是焓误差，也不是面积差，因此不应理解为被复现的凸包面积比例。

关键元素对标记分子性与聚合性基态

焓数据库揭示出一种可作诊断的模式。对每个成分，总有一部分元素对无论使用哪个模板，弛豫后的结构焓都比EA基态至少高0.3 eV/atom。作者称这些为关键元素对，估计约占总数的15%，数量太多，无法逐一分析。

这些体系通常具有聚合性或分子性基态，而这类基态在高对称模板空间中得不到自然表示。因此作者把这种大幅偏差视为成键类型的信号，使方法能够标记出聚合性或分子性基元主导基态的体系。按元素统计显示，Cl、B、N、H和O强烈倾向于形成低对称基态。

这是该方法适用边界最清晰之处。对某个元素对而言，模板误差高既说明该元素对的成键特征，也意味着其预测凸包不应像基态落在模板空间内的元素对那样被同等信任。

先调SET2与试验元素对，再扩SET1

论文自身的比较指向一个具体优先级。在0.1 eV/atom目标下，把SET1从30个模板扩到60个，成本接近翻倍而精度只有边际提升；与此同时，约简步骤收敛很快，约40对试验元素对即可与全集持平。因此最省成本的精度杠杆是裁剪SET2和排序向量样本，而不是增加初始EA搜索。

第二个优先级是正确解读误差信号。ΔH收敛到约0.1 eV/atom，支持筛选级别的凸包；但若某个元素对落入关键元素对，尤其是富含Cl、B、N、H或O的元素对，模板凸包很可能漏掉低对称基态。对这类元素对，方法更适合用作提示需要进一步EA研究的信号，而不是最终的热力学答案。

以上结论都建立在50 GPa下15种轻元素的105对二元组合之上，且EA搜索只限于至多两个化学式单位的结构。作者把这项工作定位为对结构原型空间能被压缩到何种程度的算法验证，因此15倍和87%描述的是该基准，而不是对其他化学体系或压强的普遍保证。

本文引用的文献