Combining Brillouin spectroscopy and machine learned interatomic potentials to probe mechanical properties of metal organic frameworks
本研究将布里渊散射技术与基于机器学习力场和色散校正密度泛函理论的模拟相结合,探究了新型金属有机框架材料GUT2的力学性质,克服了单晶尺寸限制,成功确定了其弹性张量分量的近似值。
2024-09-11 cond-mat.mtrl-sci
Moment Tensor Potentials: a class of systematically improvable interatomic potentials
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术学院)
本文提出一种可系统改进的原子间势能类,通过数学方法构建近似给定量子力学相互作用模型的势能,并在现有量子力学数据库上进行测试。
2016-07-23 cond-mat.mtrl-sci cs.NA math.NA
Uncertainty quantification design principles for machine learning interatomic potentials: lessons learned from hierarchical Bayesian inference
Warwick Centre for Predictive Modelling, School of Engineering, University of Warwick(华威大学工程学院预测建模中心)
本文以氩气耦合簇数据为基准,对比MACE和高斯过程势的UQ策略,提出分层GP势,兼顾误差区分与保守性,为MLIP不确定性量化提供设计原则。
2026-09-18 cond-mat.mtrl-sci physics.chem-ph
PET-MAD, a lightweight universal interatomic potential for advanced materials modeling
Laboratory of Computational Science and Modeling(计算科学与建模实验室)
PET-MAD是一种轻量级通用机器学习原子间势,通过系统增强原子多样性的数据集训练,在无机固体、分子和有机材料上达到与最先进模型相当的精度,并支持高效微调以实现量子力学精度。
2025-08-04 cond-mat.mtrl-sci cs.LG physics.chem-ph
How to validate machine-learned interatomic potentials
本文综述机器学习原子间势的验证原则,提出结合数值误差指标与物理引导验证的最佳实践和具体建议。
2022-11-28 cond-mat.mtrl-sci physics.chem-ph
First principles interatomic potential for tungsten based on Gaussian process regression
原子相互作用的精确描述,如由第一原理量子力学提供的描述,是现实预测金属塑性、断裂或裂纹扩展特性的基础。然而,与明确基于量子力学的现代方案相关联的计算复杂性限制了它们的应用至多几百个原子的系统。本论文研究了Gaussian Approximation Potential(GAP)方法在钨原子模型中的应用。钨是一种体心立方过渡金属,具有脆韧转变,其塑性行为受$\frac{1}{2} \langle 111 \rangle$螺型位错的性质控制。我们应用高斯过程回归法,从原子组态空间中的一组点插值得到量子力学(QM)势能面。我们的训练数据是基于直接使用密度泛函理论(DFT)计算的QM信息。为了进行拟合,我们使用一组旋转,置换和反射不变参数来表示原子环境,这些参数在我们的非参数,非线性回归方程中充当自变量。我们开发了一个协议,用于生成GAP模型能够描述金属中的晶格缺陷,通过建立一系列的钨原子间势。然后,我们证明了一个基于原子位置的平滑重叠(SOAP)的协方差函数的间隙电位提供了一个描述的$\frac{1}{2} \langle 111 \rangle$螺钉位错,这是在协议与DFT模型。我们使用这种潜力来模拟的$\frac{1}{2} \langle 111 \rangle$螺旋位错的移动性,通过计算Peierls势垒和模型位错-空位相互作用,以QM精度在一个系统中包含超过100,000个原子…
2014-03-13 cond-mat.mtrl-sci
Development of a physically-informed neural network interatomic potential for tantalum
材料的大规模原子模拟严重依赖于原子间势,原子间势预测系统能量和原子力。该领域的最新发展之一是通过机器学习(ML)方法构建原子间相互作用势。ML势通过使用量子力学计算生成的大型参考数据库的数值插值来预测能量和力。虽然可以实现高精度的内插,外推到未知的原子环境是不可预测的。最近提出的物理信息神经网络(PINN)模型通过将神经网络回归与基于物理的键级原子间相互作用势相结合,显着提高了可转移性。在这里,我们证明了通用PINN电位可以开发体心立方(BCC)金属。钽的PINN势再现了2.8 meV/atom内的参考能量。它准确地预测了Ta的广泛的物理性质,包括(但不限于)晶格动力学、热膨胀、点缺陷和扩展缺陷的能量、位错芯结构和Peierls势垒、熔化温度、液体Ta的结构和液体表面张力。这种潜力使得能够以接近第一原理的精度对Ta的物理和机械行为进行大规模模拟,同时速度更快。这种方法可以很容易地扩展到其他BCC金属。
2021-01-16 cond-mat.mtrl-sci
Suitability of available interatomic potentials for Sn to model its 2D allotropes
本研究评估多种锡的原子间势对二维锡烯同素异形体的适用性,通过DFT和分子静力学结合10种不同势计算7种锡烯相的结构力学性能并做系统定量比较。
2024-06-24 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Gaussian Approximation Potentials: a brief tutorial introduction
我们提出了一个快速的步行通过我们最近的工作,使用机器学习,以适应基于量子力学数据的原子间势。我们描述了我们的高斯近似势(GAP)框架,讨论了各种描述符,如何训练模型的总能量和导数,并同时使用多个模型。我们还展示了一个使用QUIP的小例子,这是GAP的软件沙箱实现,可用于非商业用途。
2020-02-05 cond-mat.mtrl-sci physics.chem-ph
Validation of machine-learned interatomic potentials via temperature-dependent electron thermal diffuse scattering
机器学习的原子间相互作用势(MLIP)在准确描述材料的物理性质方面显示出了希望,但需要更高通量的验证方法。在这里,我们证明了使用MLIPs和分子动力学可以准确地捕捉势能景观和晶格动力学,需要描述电子热漫散射。使用SrTiO $_3$作为一个试验台,在低温和室温下,我们比较电子热漫散射模拟使用不同的近似,将热运动。只有当模拟是基于量子力学精确的MLIPs结合路径积分分子动力学,包括核量子效应,有很好的协议与实验\end{abstract}
2023-03-04 cond-mat.mtrl-sci
Interatomic Potential in a Simple Dense Neural Network Representation
原子尺度的模拟为理解材料的力学性能提供了一种直接有效的方法。在经典力学体系中,金属和合金的热力学性质的模拟可以通过求解运动方程或进行Monte Carlo采样来完成。精确模拟这样的物理系统以产生忠实的物理量的关键组成部分是使用适当的势场或力场。在本文中,我们将探索使用机器学习领域的方法来克服和绕过原子系统拟合势时遇到的困难。特别是,我们将表明,经典的潜力可以表示一个稠密的神经网络具有良好的精度。
2019-11-04 cond-mat.mtrl-sci cond-mat.stat-mech physics.comp-ph
An AI-ready fine-tuning framework for accurate machine-learning interatomic potentials in solid-solid battery interfaces
本文提出FIRE框架,通过整合回放与效率的微调方法,实现固-固电池界面的高精度机器学习互原子势建模,显著提升预测准确性与数据效率。
2026-10-01 cond-mat.mtrl-sci
Reference-free certification of machine-learning interatomic potentials
Technische Universität Ilmenau(伊尔梅瑙工业大学)
本文提出一种无参考的机器学习原子间势认证方法,利用Born-Oppenheimer表面的数学物理性质构建十四个廉价探针,对64个预训练势能进行绝对评分,揭示固定测试集无法发现的失败,并标记了一个表面退化导致分子动力学失败的微调模型。
2026-10-02 cond-mat.mtrl-sci physics.chem-ph
Machine learning interatomic potential for high throughput screening and optimization of high-entropy alloys
我们开发了一种基于机器学习的四元MoNbTaW(R4)和五元MoNbTaTiW(R5)高熵合金(HEAs)的原子间相互作用势(MLIP)。MLIP使得能够对各种非等摩尔R4和R5合金的弹性和机械性质进行精确的高通量计算,否则当使用密度泛函理论(DFT)进行计算时,这些计算是非常耗时的。我们表明,MLIP预测的性能比较以及与DFT的结果在各种测试情况下,与现有的实验数据是一致的。MLIP还用于通过R4组成的引导迭代调整来高通量优化非等摩尔R4候选物,以发现具有有希望的硬度-延展性组合的候选材料。我们还使用这种方法来研究Ti浓度对R4的弹性和机械性能的影响,通过统计平均超过100个随机结构的性能。MLIP预测的硬度和体积模量的等摩尔R4和R5 HEAs的验证使用实验测量的维氏硬度和模量。这种方法为采用MLIP进行HEA候选优化开辟了新的途径。
2022-01-21 cond-mat.mtrl-sci physics.comp-ph
Gaussian Approximation Potentials: the accuracy of quantum mechanics, without the electrons
我们介绍了一类原子间势模型,可以自动生成的数据组成的能量和原子所经历的力,来自量子力学计算。由此产生的模型没有固定的函数形式,因此能够模拟复杂的势能景观。它可以通过更多的数据系统地改进。我们将该方法应用于块状碳、硅和锗,并通过计算晶体在高温下的性质来测试该方法。使用原子间势来产生这种计算所需的长分子动力学轨迹可以节省计算成本的数量级。
2009-12-07 cond-mat.mtrl-sci physics.comp-ph
Machine-learning interatomic potential for molecular dynamics simulation of ferroelectric KNbO3 perovskite
铁电钙钛矿材料在压电器件中的应用已经有几十年的历史,其中,环境友好的无铅(K,Na)NbO3基材料最近被证明是可持续发展的优秀候选材料。分子动力学是研究铁电钙钛矿材料动力学性质的一种通用的理论计算方法。然而,由于传统的原子间相互作用势的构造是相当困难和低效的,因此铁电钙钛矿的分子动力学模拟一直局限于简单的系统。在本研究中,我们通过使用深度神经网络模型构建了KNbO3(作为(K,Na)NbO3的代表系统)的机器学习原子间相互作用势。将第一性原理计算数据加入到训练数据集中,保证了原子间相互作用势的量子力学精度。基于机器学习的原子间相互作用势的分子动力学与第一性原理计算表现出良好的一致性,可以准确地预测多个基本性质,原子力、能量、弹性性质和声子色散。此外,原子间作用势在模拟畴壁和温度相关的相变方面表现出令人满意的性能。基于机器学习的原子间相互作用势的构造方法有可能应用到其他钙钛矿结构的铁电材料中,从而有利于铁电材料的理论研究。
2022-03-02 cond-mat.mtrl-sci
Lattice thermal conductivity and elastic modulus of XN4 (X=Be, Mg and Pt) 2D materials using machine learning interatomic potentials
本研究利用基于机器学习的原子间势,通过分子动力学模拟研究了BeN4、MgN4和PtN4二维材料的各向异性力学与热学性质,发现弹性模量和热导率在扶手椅方向更高,且PtN4的弹性各向异性随温度降低。
2022-12-01 cond-mat.mtrl-sci physics.app-ph
Thermal conductivity of h-BN monolayers using machine learning interatomic potential
热管理材料对于工程小型化电子设备至关重要,其中这种材料的理论设计需要评估热导率,这在数值上是昂贵的。在这项工作中,我们应用最近开发的机器学习原子间相互作用势(MLIP)来评估六方氮化硼单层的热导率。MLIP是使用高斯近似势(GAP)的方法,得到的晶格动力学性质和热导率进行了比较,从显式冻结声子计算。结果表明,基于约30%代表性构型的MLIP可以获得精确的热导率,高阶力常数比谐波近似提供了更可靠的MLIP质量基准。
2020-12-14 cond-mat.mtrl-sci
A Tungsten Deep Neural-Network Potential for Simulating Mechanical Property Degradation Under Fusion Service Environment
钨是一种很有前途的聚变能装置候选材料。分子动力学(MD)模拟揭示了原子尺度的机理,对于理解钨在恶劣复杂服役环境下的宏观性能劣化具有重要意义。在分子动力学模拟中使用的原子间势需要精确地描述宽范围的相关缺陷性质,这是迄今为止对现有原子间势的挑战。在本文中,我们提出了一种新的三体嵌入描述符,并将其混合到Deep-Potential(DP)框架中,这是一种端到端的深度学习原子间势模型。利用并行学习方法生成的数据集进行训练,由DP-HYB命名的钨势模型能够准确地预测广泛的性质,包括弹性常数,堆垛层错能,自由表面和点缺陷的形成能,包括在训练数据集中,晶界和棱柱环的形成能,螺旋位错的核心结构,Peierls势垒和螺位错迁移的过渡路径,这些都没有明确包括在训练数据集中。DP-HYB是一个很好的候选人的钨性能退化的原子模拟,特别是那些涉及在恶劣的聚变服务环境下的机械性能退化。
2022-04-20 cond-mat.mtrl-sci
Machine-learning interatomic potential for radiation damage and defects in tungsten
我们介绍了一个机器学习的钨原子间势使用高斯近似势框架。我们特别专注于辐射诱导碰撞级联和它们产生的损害,包括一个现实的排斥潜力的短程多体级联动力学和良好的描述液相模拟相关的属性。此外,潜在的准确再现的表面性质和能量的空缺和自填隙集群,这一直是现有的潜力长期存在的不足。该潜力使钨辐射损伤的分子动力学模拟具有前所未有的准确性。
2019-10-23 cond-mat.mtrl-sci physics.comp-ph
Bayesian optimization of atomic structures with prior probabilities from universal interatomic potentials
Technical University of Denmark(丹麦技术大学)
本研究提出一种结合通用机器学习势与高斯过程贝叶斯优化的新方法,通过将机器学习势作为先验以加速全局最优原子结构的识别,并在体相材料、表面和团簇上验证了其有效性。
2024-11-18 cond-mat.mtrl-sci cs.LG
Machine Learning methods for interatomic potentials: application to boron carbide
使用基于量子的密度泛函理论(DFT)方法可以高精度地计算晶体结构的总能量,但是计算可能是耗时的并且随着系统尺寸缩放不良。总能量的团簇展开作为对,三重态和更高相互作用的线性叠加可以有效地近似总能量,但最适合于简单的晶格结构。为了对具有复杂晶体结构的碳化硼的总能量进行建模,我们探索了机器学习方法($L_1$ -惩罚回归、神经网络、高斯过程和支持向量回归)的实用性,这些方法捕获与多体相互作用相关的某些非线性效应,尽管只需要对频率作为输入。我们的相互作用模型与蒙特卡罗模拟相结合,以评估化学有序的热力学。
2015-12-30 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Efficient Grand Canonical Global Optimization with On-the-fly-trained Machine-learning Interatomic Potentials
Universitat de Barcelona(巴塞罗那大学);Aarhus University(奥胡斯大学);ICREA (Institució Catalana de Recerca i Estudis Avançats)(加泰罗尼亚研究高级研究所)
本文提出一种高效的大配位全局优化算法,利用实时训练的机器学习互原子势减少第一性原理能量计算,用于预测反应条件下稳定结构和化学状态。
2026-06-29 cond-mat.mtrl-sci physics.chem-ph
Machine-learning interatomic potentials for materials science
材料的大规模原子计算机模拟依赖于原子间势,提供能量和牛顿力的计算有效预测。传统的潜力已担任这一职务超过三十年。最近,出现了一类新的势,它基于一种完全不同的哲学。新的潜力是使用机器学习(ML)方法和量子力学计算产生的大量参考数据库构建的。虽然传统势是从对化学键本质的物理见解中推导出来的,但ML势利用高维数学回归来在参考能量之间进行插值。我们回顾了原子间势场的现状,比较了传统势和ML势的优缺点。引入了第三类势,其中ML模型与基于物理的势耦合,以提高对未知原子环境的可转移性。讨论的重点是潜在的材料科学的应用。概述了这一领域未来可能的方向。
2021-06-03 cond-mat.mtrl-sci
Atomic-scale modeling of superalloys
原子理论为基于量子力学基本原理的高温合金的从头算发展提供了希望。过去几年在这一领域取得了迅速的进展。原子模型的结果进入合金性能的大规模模拟,通常可以直接与实验表征进行比较。在本章中,我们给出了镍基高温合金的原子模型和模拟的概述。我们涵盖了原子间相互作用的描述,从量子力学模拟与少量的原子到数百万原子模拟与经典的原子间势。讨论了高温合金中典型缺陷的热力学和动力学性质以及与机械变形的关系。与其他建模技术的连接进行了概述。
2021-11-05 cond-mat.mtrl-sci
A "Magnetic" Machine Learning Interatomic Potential for Nickel
针对自旋极化DFT计算大体系长时模拟效率低的问题,研究人员开发了无需磁矩描述符的镍“磁性隐藏”DP机器学习原子间势,可精准模拟多类性质与相变,为相关合金势开发奠基。
2024-04-06 cond-mat.mtrl-sci
Transferability of interatomic potentials for germanene (2D germanium)
本研究评估了多种原子间势函数对锗烯同素异形体的可迁移性,通过DFT和MS计算比较了其结构与力学性质,为选择合适势函数提供依据。
2023-11-05 cond-mat.mes-hall cond-mat.mtrl-sci physics.app-ph
A general-purpose machine learning Pt interatomic potential for an accurate description of bulk, surfaces and nanoparticles
本文提出一种基于DFT数据训练的铂高斯近似机器学习原子间势,在体相、表面和纳米颗粒性质上展现出高精度与优异迁移性,并以相图计算和纳米颗粒结晶研究验证了其建模能力。
2023-04-05 cond-mat.mtrl-sci
Machine-learning based interatomic potential for phonon transport in perfect crystalline Si and crystalline Si with vacancies
我们报道了单原子间相互作用势,利用高斯回归的密度泛函理论的计算数据,具有高的精度和灵活性,描述声子输运与从头算精度在两种不同的原子配置:完美的晶体硅和晶体硅与空位。从声子色散、Grüneisen参数、三声子散射率、声子-空位散射率和热导率等方面证明了Gaussian近似势(GAP)的二阶和三阶力常数的高精度,所有这些都与密度泛函理论计算的结果非常接近.我们还表明,广泛使用的经验电位(Stillinger-Weber和Tersoff)产生更大的误差相比,GAP。GAP的计算成本高于两种经验势,但比密度泛函理论计算低5个数量级。我们的工作表明,GAP可以提供一个新的机会,研究声子输运在部分无序的晶体相从头计算的高预测能力,但在一个可行的计算成本。
2019-05-23 cond-mat.mes-hall cond-mat.mtrl-sci physics.comp-ph
Simple machine-learned interatomic potentials for complex alloys
由于训练数据必须采样巨大的配置空间,为包含许多元素的材料开发数据驱动的机器学习原子间势变得越来越具有挑战性。我们研究了机器学习原子间势的学习率和可达到的精度,用于多元素合金,具有不同的局部原子环境描述符组合。我们发现,对于一个五元素合金系统,使用简单的低维描述符的潜力可以达到meV/原子精度与中等大小的训练数据集,显着优于高维SOAP描述符的数据效率,准确性和速度。特别是,我们开发了一个计算快速的机器学习和制表高斯近似势(tabGAP)的Mo-Nb-Ta-V-W合金的两体,三体和一个新的简单的标量多体密度描述符的基础上嵌入原子方法的组合。
2022-08-15 cond-mat.mtrl-sci physics.comp-ph
Machine learning a general purpose interatomic potential for silicon
第一性原理电子结构计算在化学、固体物理和材料科学中预测建模的成功受到由于计算成本及其缩放而导致的模拟长度和时间尺度的限制的约束。最近,基于机器学习思想的技术在没有明确描述电子的情况下对Born-Oppenheimer势能面进行插值,显示出很大的前景,但准确有效地拟合物理相关的构型空间仍然是一个具有挑战性的目标。在这里,我们提出了一个高斯近似势的硅,实现这一里程碑,准确地再现密度泛函理论参考结果的广泛的可观察到的属性,包括晶体,液体和非晶体相,以及点,线,面缺陷。我们证明,这种新的潜力,使计算,这将是非常昂贵的第一原理电子结构的方法,如有限温度相边界线,在液体中的自扩散,形成的非晶缓慢淬火,和动态脆性断裂。我们表明,固有的高斯过程回归框架的不确定性量化给出了一个定性的估计潜在的准确性为一个给定的原子配置。该模型的成功表明,确实有可能创建一个有用的基于机器学习的原子间势,全面描述材料,并作为未来开发此类模型的模板。
2018-05-03 cond-mat.mtrl-sci
Large-scale cooperative sulfur vacancy dynamics in two-dimensional MoS2 from machine learning interatomic potentials
Technische Universität Ilmenau(伊尔梅瑙工业大学);Institute of Micro- and Nanotechnologies(微纳技术研究所);Christian-Albrechts-Universität zu Kiel(基尔大学)
本研究通过机器学习互原子势模拟揭示了二维MoS2中大规模协同硫空位传输机制,解释了实验观测到的辐照诱导空位模式,并对比了两种MLIP框架的性能。
2025-08-19 cond-mat.mtrl-sci
Prediction of Mechanical Properties and Thermodynamic Stability of Ti-N system using MTP Interatomic Potential
本文构建覆盖全 Ti-N 体系的 MTP 原子间势,通过 DFT 数据训练与测试,准确预测形成能、弹性常数及新相热力学稳定性。
2025-07-25 cond-mat.mtrl-sci physics.comp-ph
Unifying the description of hydrocarbons and hydrogenated carbon materials with a chemically reactive machine learning interatomic potential
本研究基于GAP框架与密度泛函理论数据集,构建了可同时描述碳氢化合物、氢化碳材料及纯碳体系的通用化学反应性机器学习原子间势,验证了其宽条件适用性并指出单框架描述分子内/间相互作用的局限,可推动含氢碳材料相关研究。
2024-09-12 cond-mat.mtrl-sci physics.chem-ph
Machine-learning based interatomic potential for amorphous carbon
我们引入了高斯近似势(GAP)的液态和无定形元素碳的原子模拟。基于密度泛函理论(DFT)势能面的机器学习表示,这种原子间势使材料模拟具有接近DFT的精度,但计算成本要低得多。我们首先确定的最大精度,任何有限范围的潜力可以实现在碳结构,然后,使用一种新的层次设置的两个,三个,和多体结构描述符,我们构建了一个GAP模型,确实可以达到目标的准确性。潜力产生准确的能量和结构特性在很宽的密度范围内,它也正确地捕捉液相的结构,在与国家的最先进的经验潜力的差异。提出了GAP模型在“类金刚石”四面体无定形碳(ta-C)表面上的示例性应用,包括无定形材料的表面能的估计和高温表面重构(“石墨化”)的模拟。新的原子间相互作用势似乎是有前途的现实和准确的模拟纳米级无定形碳结构。
2016-11-10 cond-mat.mtrl-sci
Sparse random Fourier features based interatomic potentials for high entropy alloys
本文提出基于稀疏随机傅里叶特征的高熵合金原子间势,以低计算成本实现接近DFT精度的力、熔化行为、缺陷及高温自扩散等性质预测。
2023-12-01 cond-mat.mtrl-sci
Benchmarking Universal Machine Learning Interatomic Potentials for Elastic Property Prediction
School of Intelligence Science and Technology, Nanjing University of Science and Technology(南京理工大学智能科学与技术学院);School of Physics, Hefei University of Technology(合肥工业大学物理学院)
本文评估了四种通用机器学习互原子势在弹性质预测中的性能,发现SevenNet表现最佳,通过微调进一步提升了CHGNet的准确性,而MACE的鲁棒性较弱。
2026-03-05 cond-mat.mtrl-sci
Study of ordering in (MoCrTi)$_{100-x}$Al$_x$ refractory high-entropy alloys using machine learning interatomic potential
Montanuniversität Leoben(莱奥本矿业大学);Graz University of Technology(格拉茨工业大学)
研究利用机器学习原子间势结合模拟,探究(MoCrTi)(100 - x)Alx难熔高熵合金的有序化,分析其热容量、短程有序参数及结构,确定有序化与机械刚度关系,为该合金设计提供指导。
2026-08-17 cond-mat.dis-nn cond-mat.mtrl-sci
Multiscale machine-learning interatomic potentials for ferromagnetic and liquid iron
我们开发并比较了四种铁原子间势:一个简单机械学习的嵌入原子方法(EAM)势,一个机器学习的两体和三体相关项的势,一个机器学习的EAM和三体项的势,以及一个SOAP描述符的高斯近似势。所有的势都被训练到用密度泛函理论计算的体心立方和液体结构的相同的不同数据库。四个潜在的代表不同层次的复杂性和跨越三个数量级的计算成本。前三个潜在的制表和评估有效地使用三次样条插值,而第四个实施没有额外的优化。我们比较和讨论的优势,每一个实施,可转移性和适用性方面的平衡所需的精度与计算成本。
2022-01-25 cond-mat.mtrl-sci physics.comp-ph
An optimized interatomic potential for silicon and its application to thermal stability of silicene
本文用改进的Tersoff模型构造了一个优化的硅原子间相互作用势。该势再现了Si的宽范围的性质,并且相对于点缺陷结构和能量、表面能和重构、热膨胀、熔化温度和其它性质,改进了现有的势。建议的潜在的比较与其他三个潜在的文献。的潜力表现出合理的协议与第一性原理结合能的小硅团簇,以及单层和双层硅。这四种电位被用来评估纳米带、纳米片和纳米管形式的自支撑硅烯的热稳定性。虽然单层硅烯在零开尔文下是机械稳定的,但预计在室温下会变得不稳定并崩溃。相比之下,双层硅烯表现出更大的弯曲刚度,并在室温下甚至高于室温下保持稳定。结果表明,双层硅烯可能存在于一个独立的形式在环境条件下。
2017-03-27 cond-mat.mtrl-sci
Development of a magnetic interatomic potential for cubic anti-ferromagnets: the case of NiO
IT4Innovations VŠB - Technical University of Ostrava(IT4创新与卓越中心 俄斯特拉发理工大学);Departamento de Física, Universidad de Oviedo(奥维耶多大学物理系);ASturias RAw Materials Institute (ASRAM), Universidad de Oviedo(奥维耶多大学阿斯特里亚斯原材料研究所);Department of Condensed Matter Physics Faculty of Mathematics and Physics Charles University(查理大学数学与物理学院凝聚态物理系)
本文开发了一种方法,通过整合Heisenberg交换和Néel模型的磁Hamiltonian,为立方反铁磁体构建了两种互作用势能模型,并通过密度泛函理论验证其在机械和磁性性质上的准确性。
2025-11-05 cond-mat.mtrl-sci
Efficient and Accurate Spatial Mixing of Machine Learned Interatomic Potentials for Materials Science
ML-MIX通过空间混合不同复杂度的互原子势,提升大规模分子动力学模拟效率,同时保持精度,适用于材料科学中的点缺陷分析和位错运动研究。
2025-11-20 cond-mat.mtrl-sci cs.LG
Multi-fidelity Machine Learning Interatomic Potentials for Charged Point Defects
Imperial College London(帝国理工学院)
本文提出多保真度方法结合低成本和高精度数据,改进半导体Sb2Se3中点缺陷的描述,实现高效准确的结构预测与热力学计算。
2026-08-18 cond-mat.mtrl-sci
Regularised Atomic Body-Ordered Permutation-Invariant Polynomials for the Construction of Interatomic Potentials
我们研究了使用不变多项式在材料系统的数据驱动的原子间相互作用势的建设。“原子体有序置换不变多项式”(aPIP)包括系统基础,并被构造为保持势能函数相对于旋转和置换的对称性。与基于核的模型和人工神经网络模型相比,将总能量显式分解为原子体有序项的总和允许保持拟合的维度相当低,对于5体项仅为10。这种分解有助于势的可解释性,因为低体阶分量可以独立地研究和解释。此外,虽然多项式基函数被认为外推差,我们表明,低维结合仔细正则化实际上导致更好的可转移性比高维,基于内核的高斯近似势。
2019-10-14 cond-mat.mtrl-sci physics.comp-ph
Machine learning interatomic potential can infer electrical response
Bakar Institute of Digital Materials for the Planet(巴克数字材料研究所);UC Berkeley(加州大学伯克利分校);The Institute of Science and Technology Austria(奥地利科学技术研究所)
本文提出在隐式Ewald求和框架下,仅从能量和力数据中学习即可从长程机器学习原子间势中提取极化张量和玻恩有效电荷,从而预测红外光谱、离子电导率及铁电相变等电学响应,无需额外训练电荷或极化数据。
2025-04-07 cond-mat.mtrl-sci cs.LG physics.chem-ph
Improving Reliability of Machine Learned Interatomic Potentials With Physics-Informed Pretraining
College of Computing, Georgia Institute of Technology(佐治亚理工学院计算学院);School of Computational Science and Engineering, Georgia Institute of Technology(佐治亚理工学院计算科学与工程学院)
通过物理指导预训练提升机器学习互原子势的可靠性,提高预测准确性和MD稳定性。
2026-02-23 cond-mat.mtrl-sci
A Response Embedded Atom Method of Interatomic Potentials
嵌入原子法(EAM)势可能是金属和合金中应用最广泛的原子间相互作用势。然而,EAM势对弹性常数施加了三个与实验不一致的约束。在更微妙(但更重要)的水平上,EAM电位通常不正确地描述表面层的向外/向内弛豫,因此不能可靠地描述纳米结构。这封信报告了一个解决这两个问题的响应EAM(R-EAM)。从概念上讲,来自每个原子的电子分布不响应EAM内的原子环境。实际上,来自每个原子的电子分布取决于原子环境,并且这种依赖性明确地并入R-EAM中。解析推导表明,R-EAM势不像EAM势那样对弹性常数施加这三个约束。此外,以六方密排(HCP)金属Ti,Mg和Zn为原型,作者表明,R-EAM势正确地描述表面,在层间距和表面重构方面,与量子力学计算一致,而EAM势不一致。与EAM势相比,R-EAM势仅需要大约两倍的计算能力。
2012-09-20 cond-mat.mtrl-sci
A collinear-spin machine learned interatomic potential for Fe$_{7}$Cr$_{2}$Ni alloy
本文基于GAP框架为Fe$_{7}$Cr$_{2}$Ni合金开发了接近DFT精度且支持更大尺度的机器学习原子间势,并扩展出共线自旋模型以预测磁性自旋态引起的结构畸变,为高精度模拟奥氏体钢老化迈出重要一步。
2024-03-08 cond-mat.mtrl-sci
Machine-learned interatomic potential for titanium carbide MXenes: Application to ion irradiation simulations
University of Helsinki(赫尔辛基大学)
研究针对裸露的Ti$_{n+1}$C$_n$ MXenes开发机器学习原子间势,用于离子辐照模拟。通过密度泛函理论计算训练,该势展现良好性能,模拟结果为MXenes缺陷工程提供指导,也为其他MXenes的原子模拟提供范例。
2026-07-08 cond-mat.mtrl-sci physics.comp-ph
Equivariant Machine Learning Interatomic Potentials with Global Charge Redistribution
Department of Mechanical Engineering, Texas Tech University, Lubbock, Texas 79409, USA(德克萨斯理工大学机械工程系);Samsung Advanced Institute of Technology, Samsung Electronics, Suwon 16678, Republic of Korea(三星电子首尔先进技术研究所)
针对现有机器学习原子间势难处理长程相互作用等系统的问题,研究提出融合全局电荷分布与电荷平衡方案的等变MLIP,在多基准数据集上的能量、力预测表现更优,拓展了其在计算材料科学的应用。
2025-03-23 cond-mat.mtrl-sci cs.LG physics.chem-ph
Scalable Foundation Interatomic Potentials via Message-Passing Pruning and Graph Partitioning
Georgia Institute of Technology(佐治亚理工学院)
针对AFMs推理慢、内存占用高的问题,提出通过剪枝低贡献消息传递层并采用图划分GPU分布式策略,在MatterTune平台上实现百万原子、纳秒尺度的AFM级精度模拟。
2025-09-25 cond-mat.mtrl-sci
Machine-learning interatomic potential for AlN for epitaxial simulation
University of Florida(佛罗里达大学)
本文采用UF3方法开发了AlN的机器学习原子间势,其在结构、力学性质及位错核心结构预测上与DFT计算和实验一致,复现了AlN同质外延的纤锌矿结构及逐层生长模式,实现了大规模原子模拟。
2025-11-11 cond-mat.mtrl-sci physics.comp-ph
Development of a Plasticity-oriented Interatomic Potential for CrFeMnNi High Entropy Alloys
用嵌入原子法(EAM)建立了CrFeMnNi四元HEAs的原子间相互作用势(EAM-21)。这种潜力是基于先前开发的CrFeNi三元合金的潜力。通过拟合实验值、密度泛函理论(DFT)和热力学计算来确定开发潜力的参数,以再现主要晶体特征,即:fcc相的稳定性、弹性常数和堆垛层错能。它的适用性的塑性形变机制的研究进行了检查的行为的计算$< 110>\left \{1111 \right \}$刃位错在等原子四元CrFeMnNi合金,以及它的不太复杂的子系统(三元,二元,和纯金属)。在0和900 K之间的温度域中进行的计算,在这个温度范围内的刃型位错和面心立方相稳定性的平滑和稳定的滑移得到证实。这项研究表明,适合的EAM-21潜在的CrFeMnNi HEAs的塑性机制和机械性能的分析。
2022-01-06 cond-mat.mtrl-sci physics.atm-clus
Machine-learning interatomic potentials from a users perspective: A comparison of accuracy, speed and data efficiency
Institute of Materials Science, Technical University of Darmstadt(达姆施塔特工业大学材料科学研究所)
本文从用户角度比较了多种机器学习互原子势方法,发现非线性ACE、NequIP和MACE在准确度与计算成本之间形成帕累托前沿,且GPU加速显著提升了性能。
2025-05-05 cond-mat.mtrl-sci