VASP MLFF能不能用于吸附构型预筛选？

引言

吸附构型筛选常被大量局域极小值拖慢：分子取向、表面位点、共吸附水、缺陷邻位和热扰动都会让初始结构数量迅速增加。VASP 的机器学习力场（machine-learned force field, MLFF）能把一部分构型探索从全 DFT 分子动力学中移出来，但用于排序的 E_ads 仍要来自同一口径的 DFT 静态计算。

主动学习力场的计算边界在吸附体系里很具体：模型不确定性低时，轨迹可由力场推进；误差估计升高时，计算回到 ab initio 力并更新训练数据。吸附预筛选只负责扩大构型集合、排除明显不稳定取向、观察局域重排，不能把 MLFF 轨迹能量直接写成吸附能排名。

图1 主动学习力场在分子动力学中调用 DFT 数据的流程。图中误差阈值和模型更新对应 MLFF 训练阶段的关键边界。 DOI: 10.1038/s41467-022-32294-0。

MLFF 先筛构型身份还是吸附能？

吸附构型预筛选先确定构型身份。以 H₂/Pt(111)、CO₂/金属表面或 *OOH/氧化物表面为例，MLFF 轨迹能暴露分子是否持续靠近同一类位点、吸附键是否反复形成和断开、共吸附水是否把吸附物推离活性中心。几何筛选的输出是候选结构组，而不是最终能量结论。

若 MLFF 轨迹中某个构型只在极短时间出现，且邻近原子的配位环境没有在训练集中出现过，这个构型不应立刻进入能量排序。应抽取该结构，重新用 DFT 优化，并检查 ML_LOGFILE、训练误差和局域参考构型数量。若优化后分子回到另一类位点，说明 MLFF 只捕捉到一个热涨落片段，不能把它当作新的稳定吸附态。

预筛选还要区分“构型多样性”和“反应发生”。若目标只是寻找 CO、NH₃ 或芳香分子的吸附取向，MLFF 轨迹中的平躺、端位、桥位和侧向滑移都能作为候选；若轨迹中出现 C-H、O-H 或 Li-S 键断裂，则这已经进入反应前构型或反应后构型的边界。此时应把断键前后分成不同结构组，并分别回到 DFT 做局域优化。

对高覆盖表面，MLFF 扩展的是构型采样宽度。单个吸附物在小 slab 上通常用十几个初始构型就能覆盖主要位点；加入水层、阳离子或多分子共吸附后，氢键网络和吸附物取向会组合出更多局域极小值。这一过程不是把 DFT 精度降级，而是把 DFT 用在更少、更有代表性的候选结构上。

训练数据要包含哪些吸附局域环境？

H/Pt 训练不能只拿 H₂/Pt(111) 一个界面结构开跑，而要同时覆盖气相 H₂、Pt 体相、Pt(111) 表面和 H₂ 接近表面的构型。吸附预筛选也应按这种分层逻辑组织：干净表面、孤立分子、弱吸附态、强吸附态、可能的解离态都要进入训练范围。训练集覆盖的是局域原子环境，而不只是材料名称。

VASP 原生 MLFF 的训练目录可拆成 `00_clean_slab`、`01_adsorbate_gas`、`02_weak_ads`、`03_strong_ads` 和 `04_pre_dissociation`。每个目录保留同一套 POTCAR、ENCUT、KPOINTS、泛函、展宽和磁性设置；这些 ab initio 边界改变后，ML_AB 中的力和能量就不再属于同一训练口径。

训练参考输入包含 `ML_LMLFF = .TRUE.`、`ML_MODE = train`、`IBRION = 0`、`NSW = 2000`、`POTIM = 1.0` fs、`ISYM = 0`。`NSW` 和 `POTIM` 不是固定答案，需通过能量漂移、温度波动和关键键长分布收敛；已有 `ML_AB` 时，`ML_MODE = select` 或 `ML_MODE = refit` 用于筛选结构和重新拟合。

如果使用已有 ML_AB 开始新体系，元素种类相同并不代表训练数据可迁移。Pt(111) 上训练过的 H₂ 解离不能直接覆盖 Pt 台阶位或 Pt-M 合金邻位，TiO₂ 干净表面训练过的水层也不能直接覆盖氧空位附近的质子转移。迁移使用 ML_AB 前要检查局域配位、键长区间和温度范围是否仍在训练域内。

式(1)　ΔF_max = max_i|F_i^MLFF – F_i^DFT|

式(1)用于读取独立验证集中的最大力误差。这里的 F_i^MLFF 和 F_i^DFT 来自同一个原子、同一个坐标方向和同一个结构。预筛选阶段至少要把训练轨迹之外的几类构型拿出来验证，例如分子平躺、端位吸附、桥位吸附和解离初态。

图2 H/Pt 体系训练过程中的气相 H₂、Pt 体相、Pt(111) 表面和 H₂/Pt(111) 构型。该图用于说明训练集需要覆盖吸附前后的局域环境。 DOI: 10.1038/s41467-022-32294-0。

外推从哪些输出和轨迹现象里看？

验证曲线要按结构类型分开看：体相、分子、分子间相互作用和表面吸附构型的误差不能混成一个平均数。对吸附构型而言，外推通常发生在三类位置：新元素配位环境、未出现过的键长区间、以及训练温度之外的剧烈结构扰动。MLFF 只能在训练数据覆盖的相空间内给出可信预测。

若 ML_LOGFILE 中误差提示频繁出现，或轨迹中吸附物进入未训练的解离区间，预筛选应暂停并补充 DFT 采样。以 CO₂RR 中 *COOH 为例，只训练线性 CO₂ 和弱吸附 CO₂ 后，不能让 MLFF 独立判断 C-OH 成键后的稳定性；以 OER 中 *OOH 为例，只训练干净氧化物和单个 H₂O 后，也不能独立判断 O-O 键拉长的反应前构型。

外推也会体现在轨迹行为上。若吸附物在短时间内穿入表面层、表面金属原子发生不符合化学常识的交换、或者水分子持续拉出过短的 O-H 距离，通常说明当前力场没有覆盖这些局域环境。此类结构不应进入候选能量比较，而应作为补充 DFT 采样的来源。

温度会改变抽帧含义。高温 MLFF-MD 能加速构型访问，但吸附自由能通常讨论室温或工作温度附近的稳定构型。高温轨迹抽到的结构需要回到目标温度的 DFT 优化和频率修正。高温采样用于发现候选，目标温度计算用于定义热力学口径。

图3 H/Pt 力场对体相、H₂ 分子、H₂ 间相互作用和 H/Pt(111) 构型的验证。该图对应预筛选前的力和能量误差检查。 DOI: 10.1038/s41467-022-32294-0。

候选结构回到 DFT 后再排序

H/Pt(111) 反应分子动力学说明，MLFF 能把有限 DFT 采样扩展到更长时间尺度，捕捉 H₂ 解离和复合事件。吸附预筛选可从 XDATCAR 或轨迹文件中抽取代表构型：不同吸附位点、不同分子取向、不同氢键环境、不同表面重构程度各保留若干个，然后分别做 DFT 几何优化。用于排序的 E_ads、PDOS、Bader 电荷和反应能垒仍应来自统一 DFT 口径。

候选构型回到 DFT 后，先检查是否仍保留 MLFF 轨迹中的化学身份。若 COOH 从 O 端吸附变成 C 端吸附，或 H₂O 从界面氢键网络进入直接解离态，二者属于不同构型组。此时不能把 MLFF 抽帧编号当作排序依据，应按 DFT 优化后的位点、键长和吸附物身份重新归组。

DFT 回优化目录按候选身份命名，而不是按轨迹时间命名。`site_top`、`site_bridge`、`water_hbond_2`、`dissociation_pre` 等结构标签写入目录名，优化后记录关键键长、吸附高度、受氢原子和表面配位数。比较 E_ads、ΔG 或 NEB 端点时，构型来源和化学身份需要逐项对应。

若 DFT 优化后多个候选收敛到同一构型，只保留最低能或最清楚的一份用于后处理即可；若两个候选能量接近但氢键方向、磁矩或电荷分布不同，则应继续做静态单点和频率检查。DFT 优化后的结构才是比较对象，MLFF 抽帧不能替代构型去重。

图4 H/Pt(111) 反应分子动力学中的解离与复合事件统计。该图用于说明 MLFF 可扩大构型搜索时间尺度，但仍需 DFT 验证关键构型。 DOI: 10.1038/s41467-022-32294-0。

界面体系把 MLFF 放在哪一层？

AIMD、经典力场和 MLFF 对应不同时间尺度。对于显式水、电解质离子和极性中间体，MLFF 的价值主要在于采样水层重排、氢键方向和吸附物短时摆动。若研究目标是某个电位下的自由能差，仍需要在抽帧后回到静态 DFT、频率修正或自由能方法。

界面体系的训练输入可以保留 `ML_LMLFF = .TRUE.`、`ML_MODE = train`、`IBRION = 0`、`ISYM = 0`，并把 `ML_ABN`、`ML_FFN`、`ML_FF`、`ML_LOGFILE` 与对应 POSCAR 放在同一计算记录目录。表面或孤立分子训练中，压力项通常不作为主要学习对象，可按官方手册检查 `ML_WTSIF` 的取值。训练、筛选和 DFT 确认要使用同一套元素、赝势和电子收敛边界。

界面体系还要单独处理电荷和偶极边界。若显式水层和阳离子只用于构型采样，MLFF 阶段可固定总体组成并观察局域结构；若后续要讨论电位响应，抽帧后的 DFT 计算还要统一偶极修正、隐式溶剂或恒电位近似。MLFF 轨迹中的水层取向不能单独推出电位效应，必须和 LOCPOT、功函数或自由能修正放在同一计算口径下解释。

MLFF 吸附预筛选的结果分成三层：训练和验证误差、抽帧构型组、DFT 回优化后的结构与能量。三者共同决定这轮预筛选是否能继续接 PDOS、Bader 电荷、频率或 NEB。若其中任一层缺失，后续结论只能说明搜索到了一批结构，不能说明材料活性已经完成比较。

图5 机器学习力场用于电化学界面的适用范围、时间尺度和吸附物演化示例。该图对应界面吸附预筛选中的尺度扩展。 DOI: 10.1002/smtd.202501542。

本章要点总结

要点：MLFF 适合扩大吸附构型搜索范围，但最终吸附能仍要回到 DFT。

要点：训练集要覆盖干净表面、孤立分子、弱吸附态、强吸附态和可能的解离前构型。

要点：ML_LOGFILE、独立验证集和 DFT 回优化共同决定候选构型是否可继续使用。

要点：跨材料比较时，MLFF 只负责生成候选结构，能量排序必须保持统一 DFT 口径。