First-principles interatomic potentials for ten elemental metals via compressed sensing
原子间相互作用势在分子动力学等原子模拟中有着广泛的应用。最近，已经提出了将系统的一组密度泛函理论（DFT）计算与机器学习技术相结合来构建精确的原子间势的框架。这些方法之一是使用压缩传感来导出原子间势的稀疏表示。这有利于控制原子间相互作用势的精度。在这项研究中，我们证明了压缩传感的适用性，以获得原子间的潜力的十种元素金属，即银，铝，金，钙，铜，镓，铟，钾，锂和锌。对于每种元素金属，原子间势是从DFT计算使用弹性网络回归。原子间势的能量、力和应力张量的预测误差分别小于3.5 meV/atom、0.03 eV/atom和0.15 GPa，从而能够准确预测晶格常数和声子色散关系等物理性质.
2015-05-15 cond-mat.mtrl-sci
AiiDA-TrainsPot: Towards automated training of neural-network interatomic potentials
Dipartimento di Fisica, Università di Trieste（的里雅斯特大学物理系）；Scuola Internazionale Superiore di Studi Avanzati (SISSA)（高等师范学校）
本文提出AiiDA-TrainsPot工具，通过自动化流程整合密度泛函理论计算、数据增强和分子动力学，提升神经网络互原子势的训练效率与准确性。
2026-01-28 cond-mat.dis-nn cond-mat.mtrl-sci physics.comp-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
Conceptual and practical bases for the high accuracy of machine learning interatomic potential
基于密度泛函理论（DFT）计算获得的大数据集的机器学习原子间相互作用势（MLIPs）最近得到了发展。这项研究为MLIPs的高精度提供了概念和实践基础，尽管MLIPs一直被认为只是原子能的精确黑箱描述。我们还构建了最准确的MLIP的元素Ti以往报道使用线性MLIP框架和许多角度依赖的描述符，这也对应于一个概括的修改嵌入原子方法（MEAM）的潜力。
2017-08-09 cond-mat.mtrl-sci
A Robust Machine Learned Interatomic Potential for Nb: Collision Cascade Simulations with accurate Defect Configurations
本文针对传统铌原子间势无法准确预测自间隙原子构型的问题，基于SNAP框架和DFT数据开发了机器学习原子间势，并通过碰撞级联等验证证明其能准确复现铌的基态缺陷构型，为辐照损伤模拟提供了稳健工具。
2025-02-05 cond-mat.mtrl-sci
Correction of Density-Functional-Theory based polynomial interatomic potentials to reproduce experimental melting properties
最近，我们开发了一种从从头计算构建多项式原子间势的方法，以准确描述激光激发固体[PRL 124，085501（2020）]。然而，从头算方法，因此，从他们衍生的分析潜力，通常不提供一个准确的预测的熔化温度。为了再现实验熔化性质，但保持在激光激发的情况下的准确性，我们在这里提出了一种方法来修改的多项式原子间相互作用势的从头计算数据的几个关键系数。结果表明，在这种修正的帮助下，硅原子间势的电子温度依赖性可以从头算精确地描述非热激光诱导效应，并提供正确的实验熔化温度和斜率$dT/dp$ .
2021-10-06 cond-mat.mtrl-sci
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
Accelerating crystal structure prediction by machine-learning interatomic potentials with active learning
在这封信中，我们提出了一种新的晶体结构预测方法，它是基于进化算法USPEX和机器学习原子间相互作用势主动学习的飞行。我们的方法允许从零开始，取代昂贵的DFT与几个数量级的加速自动构建原子间的相互作用模型。然后在DFT上测试预测的低能结构，确保我们的机器学习模型不会引入任何预测误差。我们测试了我们的方法上的一个问题的预测碳同素异形体，致密的钠结构和硼同素异形体，包括那些有超过100个原子的原始细胞。所有的主要同素异形体已被复制，并在非常温和的计算工作中发现了一个新的54原子结构的硼。
2019-02-26 cond-mat.mtrl-sci
Thermal transport and phase transitions of zirconia by on-the-fly machine-learned interatomic potentials
机器学习的原子间相互作用势使复杂材料特性的真实有限温度计算具有第一原理精度。然而，目前尚不清楚它们如何准确地描述非谐性质，这对于预测固体中的晶格热导率和相变至关重要，因此，塑造了它们的技术应用。在这里，我们采用了最近开发的飞行学习技术的基础上分子动力学和贝叶斯推断，以产生一个原子间的潜力能够描述的热力学性质的氧化锆，一种重要的过渡金属氧化物。这种机器学习的电势准确地捕获低于熔点的温度诱导的相变。我们进一步展示了预测能力的潜力，通过计算的基础上的热传输的格林-久保理论，它允许考虑到所有订单的非谐效应。这项研究表明，在飞行中训练的机器学习电位为准确有效地模拟大量非谐材料的热力学性质提供了一种常规解决方案。
2021-09-30 cond-mat.mtrl-sci
Accurate and Efficient Interatomic Potentials for Dislocations in InP
University of Warwick（华威大学）
本文提出基于DFT计算的ACE和MACE模型，用于研究InP中位错运动，其精度优于现有模型，误差低至4%，且计算效率提升五倍。
2026-04-22 cond-mat.mtrl-sci
dpti: An Automated Thermodynamic Integration Workflow for Phase Diagram Calculations with Machine Learning Interatomic Potentials
University of Alabama at Birmingham（阿拉巴马大学伯明翰分校）；Princeton University（普林斯顿大学）；University of Science and Technology of China（中国科学技术大学）；Suzhou Institute for Advanced Research, University of Science and Technology of China（中国科学技术大学苏州高等研究院）；Suzhou Big Data & AI Research and Engineering Center（苏州大数据与人工智能研究与工程中心）；AI for Science Institute（科学智能研究所）；DP Technology（深势科技）；Institute of Applied Physics and Computational Mathematics（应用物理与计算数学研究所）；College of Engineering, Peking University（北京大学工学院）
研究针对机器学习原子间势的热力学积分计算难题，开发dpti开源Python包，通过可逆积分路径连接参考系统与目标体系，自动化相图计算流程，给出示例验证其有效性。
2026-07-07 cond-mat.mtrl-sci physics.comp-ph
Proper Orthogonal Descriptors for Efficient and Accurate Interatomic Potentials
我们提出了适当的正交描述符的有效和准确的表示的势能面。势能面表示为参数化势的多体展开式，其中势是原子位置和参数的函数。采用KL展开将参数化势分解为一组正交描述子（POD）。由于KL展开的快速收敛性，相关的快照可以被穷举地采样，以用少量的描述符准确地表示原子邻域环境。适当的正交描述符被用来开发原子间的潜力，通过使用线性扩展的描述符，并确定从加权最小二乘回归对密度泛函理论（DFT）的训练集的扩展系数。我们提出了一个全面的评价POD电位对以前发表的DFT数据集，包括Li，Mo，Cu，Ni，Si，Ge和Ta元素。这些数据集代表了金属、过渡金属和半导体的多样性。POD势的准确性与最先进的机器学习势（例如光谱近邻分析势（SNAP）和原子团簇展开（ACE））的准确性相当。
2022-08-10 cond-mat.mtrl-sci
Fast and accurate Fe-H machine-learning interatomic potential for elucidating hydrogen embrittlement mechanisms
Advanced Technology Research Laboratories, Nippon Steel Corporation（日本制铁株式会社先进技术研发实验室）
本研究提出了一种快速且准确的Fe-H机器学习互原子势，用于揭示氢致脆性机制，该势在精度和效率上均优于现有方法。
2025-12-28 cond-mat.mtrl-sci
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
Discrepancies and Error Evaluation Metrics for Machine Learning Interatomic Potentials
针对MLPs在MD模拟中低平均误差却难以再现原子动力学等问题，本文识别其与从头算方法的差异，提出基于稀有事件的定量评估指标，并证明其可提升多性质预测。
2023-09-29 cond-mat.mtrl-sci
Automated discovery of a robust interatomic potential for aluminum
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）
分子动力学模拟的准确性关键取决于用于产生力的原子间势。黄金标准将是第一原理量子力学（QM）计算，但这些在大规模模拟中变得过于昂贵。基于机器学习（ML）的潜力旨在以大幅降低的计算成本忠实地仿真QM。ML潜力的准确性和鲁棒性主要受到训练数据集的质量和多样性的限制。使用主动学习（AL）的原则，我们提出了一个高度自动化的方法来构建数据集。该策略是使用正在开发的ML潜力来采样新的原子配置，并且每当达到ML不确定性足够大的配置时，收集新的QM数据。在这里，我们试图突破自动化的极限，从AL过程中删除尽可能多的专业知识。所有采样使用MD模拟从初始无序配置开始进行，并经历由随时间变化的施加温度驱动的非平衡动力学。我们证明了这种方法，通过建立一个ML潜在的铝（ANI-Al）。经过多次AL迭代，ANI-Al可以预测熔体中的径向分布函数，液固共存曲线和晶体性质，如缺陷能和势垒。为了证明可转移性，我们进行了1.3M原子冲击模拟，并表明ANI-Al预测同意非常好的DFT计算从非平衡动力学采样的局部原子环境。有趣的是，休克中出现的配置似乎在AL训练数据集中得到了很好的采样，我们用视觉方式说明了这一点。
2020-08-24 cond-mat.mtrl-sci cs.LG physics.comp-ph
Benchmarking and advancing machine-learning interatomic potentials for 3C-SiC across equilibrium and extreme conditions
Aalto University（阿尔托大学）；Queen's University（女王大学）
针对3C-SiC经验势的不足，提出基于两体和turboSOAP描述符的机器学习势TGAP，涵盖多相及21种缺陷，准确预测熔点、液相结构及碰撞级联，用于辐射损伤模拟。
2026-11-04 cond-mat.mtrl-sci
Modeling Extensive Defects in Metals through Classical Potential-Guided Sampling and Automated Configuration Reconstruction
本文提出经验势引导采样与自动化构型重构方法，构建可用于第一性原理计算的缺陷基因组，并以体心立方钨验证其能提升MLIP对广延缺陷和塑性机制的建模能力。
2025-01-27 cond-mat.mtrl-sci
Machine-Learning Interatomic Potential for Twisted Hexagonal Boron Nitride: Accurate Structural Relaxation and Emergent Polarization
本文构建并验证用于扭转hBN的Gaussian Approximation Potential，结合紧束缚模型精确计算小扭转角下的结构重构与极化，结果在室温下仍与实验吻合。
2025-03-14 cond-mat.mes-hall cond-mat.mtrl-sci
Minimalist machine-learned interatomic potentials can predict complex structural behaviors accurately
Luxembourg Institute of Science and Technology (LIST)（卢森堡科学与技术研究所）；University of Luxembourg（卢森堡大学）
极简主义的机器学习互原子势能可准确预测复杂结构行为，展示出其在发现新物理现象中的有效性。
2025-11-21 cond-mat.mtrl-sci
Study of Entropy-Driven Polymorphic Stability for Aspirin Using Accurate Neural Network Interatomic Potential
本研究利用神经网络原子间势模拟阿斯匹林多晶型，首次证明Form I在300K下比Form II更稳定，强调了非谐效应和旋转熵在决定多晶型稳定性中的关键作用。
2024-04-19 cond-mat.mtrl-sci
Machine-learned interatomic potential for sputtering of tungsten-boron surfaces
University of Helsinki（赫尔辛基大学）
本文开发了一种用于W-B结构溅射及硼沉积的机器学习原子间势，经密度泛函理论数据训练，可实现大规模分子动力学模拟，揭示了表面构型、组成对溅射的影响及硼沉积形成致密层的特性，可用于W-B混合体系模拟。
2026-08-14 cond-mat.mtrl-sci
Benchmarking phonon anharmonicity in machine learning interatomic potentials
本文以 ThO$_2$ 的 DFT 非谐振动哈密顿量和分子动力学数据为基准，评估三类 MLIP 对声子相互作用、线宽、线移及热导率的表征能力。
2024-02-29 cond-mat.mtrl-sci
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
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
Efficient moment tensor machine-learning interatomic potential for accurate description of defects in Ni-Al Alloys
本研究针对传统矩张量势（MTP）的矩张量缩并优化问题，提出基于遗传算法的优化方案，在提升效率近一个数量级的同时提高精度，应用于Ni-Al合金缺陷建模表现优于半经验势。
2025-05-13 cond-mat.mtrl-sci
Fast proper orthogonal descriptors for many-body interatomic potentials
本文提出快速本征正交描述符算法，使多体原子间势的计算复杂度相对于邻居数由指数级降为线性，并在钽的DFT数据集上验证。
2022-12-29 cond-mat.mtrl-sci
Evaluating Compression and Nanoindentation in FCC Nickel: A Methodology for Interatomic Potential Selection
本研究通过分子动力学模拟分析FCC镍在压缩和纳米压痕下的力学响应，提出了一种选择合适原子间势的实用方法，为单元素材料模拟建立基准并支持扩展至镍基合金。
2025-03-05 cond-mat.mtrl-sci
Discovering High-Entropy Oxides with a Machine-Learning Interatomic Potential
本文提出整合计算与实验的自洽方法，利用机器学习原子间势和两个描述符快速准确探索单相岩盐高熵氧化物，正确解析所有实验稳定组成，并发现更多待探索组成。
2025-01-13 cond-mat.mtrl-sci
Graph atomic cluster expansion for foundational machine learning interatomic potentials
Interdisciplinary Centre for Advanced Materials Simulation (ICAMS), Ruhr-University Bochum（波鸿鲁尔大学跨学科先进材料模拟中心）
GRACE通过图原子簇扩展框架，提供了一种高效且准确的基础机器学习互原子势，适用于广泛材料建模和高保真度模拟。
2026-01-03 cond-mat.mtrl-sci
Fine-tuning foundation models of materials interatomic potentials with frozen transfer learning
本文提出部分冻结权重和偏置的迁移学习微调方法，使原子间势基础模型仅用10–20%数据即达到从头训练精度，并据此构建高效代理模型。
2025-07-29 cond-mat.mtrl-sci
Efficient and Accurate Machine Learning Interatomic Potential for Graphene: Capturing Stress-Strain and Vibrational Properties
本研究提出一种基于AIMD大规模数据集训练的石墨烯反应性机器学习原子间势，可精准复现其力学与振动特性，计算随系统规模线性扩展，兼具稳健性与可迁移性，配套训练流程可推广至其他材料。
2025-05-17 cond-mat.mtrl-sci physics.comp-ph
Machine-Learned Interatomic Potentials for Predicting Physicochemical Properties of Molten Metal-Salt Systems for Calcium Electrolysis
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术学院）；Digital Materials LLC（数字材料有限责任公司）；Institute of High Temperature Electrochemistry, Ural Branch of the Russian Academy of Sciences（俄罗斯科学院乌拉尔分院高温电化学研究所）
本文利用机器学习的MTP势能进行分子动力学模拟，准确预测熔融Ca-Cu合金和CaCl2-KCl电解质的物理化学性质，验证了该方法在冶金应用中的有效性。
2026-03-26 cond-mat.mtrl-sci
Automated determination of grain boundary energy and potential-dependence using the OpenKIM framework
我们提出了一个系统的方法，建立在开放知识库的原子间模型（OpenKIM）的框架（https：openkim.org），用于量化性能的晶界（GB）的任意原子间势（IP），GB字符，晶格结构和物种。该框架目前生成立方材料中对称倾斜GB的结果，但可以很容易地扩展到其他类型的边界。本文介绍的GB能量数据是自动生成的Al，Ni，Cu，Fe和Mo的225个IP;该系统安装在openkim.org上，并将继续为上传到OpenKIM的所有新IP生成结果。从原子计算的结果进行比较，晶格匹配模型，这是一个半解析几何模型近似GB能量。它是确定的能量预测的所有IP（这是稳定的给定的边界类型）密切相关的能量从模型，乘法因子。因此得出结论，GB能量与倾斜角的定性形式更多地由几何形状而不是IP的选择决定，但是IP可以强烈地影响能级。在OpenKIM中，GB能量预测在IP集合中的分布为经典IP的GB能量预测提供了不确定性的度量。
2023-02-10 cond-mat.mtrl-sci
Atomistic modeling of uranium monocarbide with a machine learning interatomic potential
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；Oak Ridge National Laboratory（橡树岭国家实验室）
本研究通过机器学习互原子势能函数建模铀单碳化物，实现了对其结构、热物理性质及扩散行为的高效预测，为反应堆燃料认证提供了计算工具。
2026-02-13 cond-mat.mtrl-sci
Towards Accurate and Scalable High-throughput MOF Adsorption Screening: Merging Classical Force Fields and Universal Machine Learned Interatomic Potentials
本研究提出融合UFF力场与PFP机器学习势的混合高通量筛选策略，用于MOF吸附性能评估，发现考虑框架柔性可显著影响乙烯亲和力，并识别出七种高性能耐湿MOF吸附剂。
2025-09-08 cond-mat.mtrl-sci
Fast and accurate machine-learned interatomic potentials for large-scale simulations of Cu, Al and Ni
本研究基于高斯近似势（GAP）方法开发了Cu、Al和Ni的低维表格版本（tabGAP）机器学习原子间势，计算效率提升两个数量级，可模拟数百万原子系统，并广泛验证了其在材料性质和压缩加载模拟中的表现。
2024-08-28 cond-mat.mtrl-sci physics.comp-ph
E(3)-Equivariant Graph Neural Networks for Data-Efficient and Accurate Interatomic Potentials
Harvard University（哈佛大学）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；Robert Bosch Research and Technology Center（罗伯特·博世研究与技术中心）；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）；Massachusetts Institute of Technology（麻省理工学院）
本文介绍了神经等变原子间势（NequIP），一种用于从从头计算中学习原子间势的E（3）-等变神经网络方法，用于分子动力学模拟。虽然大多数当代的几何感知模型使用不变卷积并且只作用于标量，但NequIP使用E（3）-等变卷积来处理几何张量的相互作用，从而使原子环境的信息更加丰富和忠实。该方法在一组具有挑战性和多样性的分子和材料上实现了最先进的准确性，同时表现出显着的数据效率。NequIP的性能优于现有模型，训练数据少了三个数量级，挑战了人们普遍认为的深度神经网络需要大量训练集的观点。该方法的高数据效率允许使用高阶量子化学理论水平作为参考来构建精确的势，并且能够在长时间尺度上进行高保真度的分子动力学模拟。
2021-12-16 cond-mat.mtrl-sci cs.LG physics.comp-ph
Accurate Interatomic Force Fields via Machine Learning with Covariant Kernels
我们提出了一个新的计划，准确地预测原子力的矢量量，而不是标量分量的集合，高斯过程（GP）回归。这是基于矩阵值核函数，我们施加的要求，预测力旋转的目标配置，是独立的任何旋转应用到配置数据库条目。我们表明，这样的协变GP核可以通过对旋转群SO（d）的元素进行积分来获得。值得注意的是，在特定情况下，积分可以进行分析，并产生一个保守力场，可以改写成一对相互作用的形式。最后，我们表明，限制的整合，在一个有限的点群的元素有关的目标系统的总和是足以恢复一个准确的GP。我们的内核在预测量子力学力在实际材料中的准确性进行了调查，通过测试纯和有缺陷的Ni，Fe和Si晶体系统。
2017-06-08 cond-mat.mtrl-sci physics.chem-ph
Ligand-Controlled Phonon Dynamics in CsPbBr3 Nanocrystals Revealed by Machine-Learned Interatomic Potentials
Georgia Institute of Technology（佐治亚理工学院）；Queens College, City University of New York（纽约市立大学皇后学院）；The Graduate Center, City University of New York（纽约市立大学研究生中心）
研究通过机器学习势揭示配体对CsPbBr3纳米晶声子动力学的影响，发现阳离子和阴离子配体系统性地红移Pb-Br-Pb伸缩模式并蓝移PbBr6^4-八面体旋转模式，为高性能钙钛矿纳米晶光电子器件提供设计原理。
2026-03-17 cond-mat.mtrl-sci
Construction and Tuning of CALPHAD Models Using Machine-Learned Interatomic Potentials and Experimental Data: A Case Study of the Pt-W System
本研究提出开源高效的PhaseForgePlus工作流，结合机器学习势与实验数据构建校准CALPHAD模型，以Pt-W体系验证其可通过梯度优化快速得到准确相图的吉布斯能描述。
2025-08-01 cond-mat.mtrl-sci physics.comp-ph
Machine Learning a Universal Harmonic Interatomic Potential for Predicting Phonons in Crystalline Solids
提出一种利用现有声子数据库和机器学习技术训练通用谐和原子间势的方法，能准确预测晶体固体的完整声子谱和热力学性质，并评估预测不确定性。
2024-02-17 cond-mat.mtrl-sci
Ferroelectric Properties and Topological Polar Textures of PbTiO$_3$ from a Second-Principles Open-Source Interatomic Potential
Université de Liège（列日大学）
本文提出一种开源全原子第二性原理原子间势，用于准确模拟PbTiO3的畴壁动力学和拓扑纹理形成，为大规模高精度铁电材料模拟提供高效框架。
2025-06-10 cond-mat.mtrl-sci
A Systematic Approach to Generating Accurate Neural Network Potentials: the Case of Carbon
可负担得起的和广泛适用的原子间相互作用势的可用性是解锁现代材料建模的财富所需的关键。基于人工神经网络的方法产生的潜力是有前途的，然而，神经网络训练需要大量的数据，充分采样，从一个往往未知的势能面。在这里，我们提出了一个自洽的方法，是基于晶体结构预测形式主义和指导下的无监督数据分析，构建一个准确的，廉价的和可转移的人工神经网络的潜力。使用这种方法，我们构建了一个碳原子间势，并证明了它的能力，以重现第一原理的结果，金刚石，石墨和石墨烯的弹性和振动特性，以及能量排序和结构特性的范围广泛的结晶和非晶相。
2020-11-09 cond-mat.mtrl-sci
Linearized machine-learning interatomic potentials for non-magnetic elemental metals: Limitation of pairwise descriptors and trend of predictive power
机器学习原子间相互作用势（MLIP）作为一种描述感兴趣系统能量学的有用方法，越来越受到人们的关注。在本研究中，我们研究的准确性线性成对MLIP和角度依赖MLIP的31种元素金属。使用31种元素金属的所有最佳MLIP，我们显示了线性化框架的鲁棒性，MLIP的预测能力的一般趋势和成对MLIP的限制。因此，我们使用相同的线性化框架获得了所有31个元素的精确MLIP。这表明，使用大量的描述符是最重要的实用功能，以构建高精度的MLIP。对于大多数非过渡金属，仅使用成对描述符就可以构建精确的MLIP，而在表达过渡金属的原子间相互作用时，考虑角度依赖描述符是非常重要的。
2017-10-16 cond-mat.mtrl-sci physics.comp-ph
Robust Training of Machine Learning Interatomic Potentials with Dimensionality Reduction and Stratified Sampling
本文提出DIRECT采样方法，结合降维与分层，从百万级结构数据中筛选训练集，开发出更可靠的M3GNet通用势及Ti-H系统矩张量势，实现MLIPs的鲁棒高通量开发。
2023-07-24 cond-mat.mtrl-sci
Bias in Universal Machine-Learned Interatomic Potentials and its Effects on Fine-Tuning
Georgia Institute of Technology（佐治亚理工学院）
研究通用机器学习原子间势在微调中的偏差问题，提出周期性微调方法以生成更通用准确的模型，并通过主成分空间和Q残差分析量化外推不确定性。
2026-06-18 cond-mat.mtrl-sci
Uni2D: A Universal Machine Learning Interatomic Potential for Two-Dimensional Materials
Hefei University of Technology（合肥工业大学）；University of Science and Technology of China（中国科学技术大学）
本文提出Uni2D，一种针对二维材料设计的交互势能模型，通过大规模数据训练实现了对能量、力和应力的可靠预测，支持高通量筛选和计算探索。
2026-04-15 cond-mat.mtrl-sci
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
Thermo-mechanical properties of nitrogenated holey graphene (C2N): A comparison of machine-learning-based and classical interatomic potentials
二维纳米材料的热性能和力学性能通常通过使用密度泛函理论（DFT）和经典分子动力学（MD）模拟计算力常数来研究。虽然DFT模拟提供了准确的估计，计算成本很高。另一方面，分子动力学模拟强烈依赖于原子间相互作用势的准确性。在这里，我们研究了氮化多孔石墨烯（C2 N）的热导率和弹性模量使用被动拟合的机器学习原子间势（MLIP），这取决于计算成本低廉的从头算分子动力学轨迹。采用基于MLIP的非平衡分子动力学模拟（NEMD）方法研究了C2 N的导热性能。在室温下，晶格热导率为85.5 W/m-K，有效声子平均自由程为37.16 nm，通过单轴拉伸模拟，C2 N的弹性模量、极限强度和断裂应变分别为390 GPa、42 GPa和0.29。结果表明，被动拟合MLIPs可以作为一个有效的原子间相互作用势，获得的热导率和弹性模量的C2 N利用经典的MD模拟。此外，采用MLIP模拟点缺陷的C2 N的可能性进行了研究。通过训练点缺陷结构的MLIP，研究了缺陷结构的力学性能。虽然使用MLIP比经典的原子间相互作用势更昂贵，但它可以有效地预测2D纳米结构的热和机械性能。
2021-05-19 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
Accelerating first-principles estimation of thermal conductivity by machine-learning interatomic potentials: A MTP/ShengBTE solution
从实验和理论的角度来看，准确评估材料的热导率可能是一项具有挑战性的任务。特别是对于纳米结构材料，热导率的实验测量与不同来源的不确定性有关。作为一种可行的替代实验，结合密度泛函理论（DFT）模拟和玻尔兹曼输运方程的解决方案，目前被认为是最值得信赖的方法来研究热导率。上述方法的主要瓶颈是使用计算要求高的DFT计算获得非谐原子间力常数。在这项工作中，我们提出了一个大大加快的方法，通过采用机器学习原子间势（MLIPs）训练过短从头分子动力学轨迹的非谐原子间力常数的评估。建议的加速方法的显着的准确性被确认通过比较估计的几个散装和二维材料的热导率与全DFT方法计算的。在这项研究中提出的MLIP为基础的方法可以作为一个标准的工具，这将大大加快和方便的晶格热导率的估计相比，常用的全DFT解决方案。
2020-09-06 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
Accurate and efficient machine learning interatomic potentials for finite temperature modeling of molecular crystals
本文结合化学与材料科学基础模型及量子扩散蒙特卡洛基准，仅用约200个结构训练MLIP，在有限温压下准确计算分子晶体升华焓并推广至药物晶体。
2025-03-04 cond-mat.mtrl-sci physics.comp-ph
