Development of an interatomic potential for phosphorus impurities in iron
我们提出了推导的铁磷系统的原子间作用势主要基于{ \it ab initio}数据。在这个系统中的可转移性是非常成问题的，并且潜在的是专门用于解决含有低浓度磷原子的铁中的辐射损伤和点缺陷的问题。一些初步的分子动力学计算表明，P强烈影响点缺陷迁移。
2004-06-16 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
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
Interatomic potential theory on the phase transition of charge density wave in transition metal dichalcogenides
过渡金属二硫族化物的电荷密度波（CDW）的模式和周期表现出复杂的相图，取决于压力，温度，金属嵌入，或硫族合金。在唯象朗道自由能模型的背景下，相图已经被理解，但它们背后的微观机制仍然不清楚。在这里，我们提出了一个新的微观理论的基础上的原子间势，并明确计算了温度依赖的相图使用从第一性原理计算提取的原子间势。利用详细的原子结构，计算得到的单层H-TaSe 2相图成功地再现了实验特征，如公度锁定和条纹相。我们的工作表明，电荷密度波的复杂行为起源于相对简单的原子间势结构，并阐明了晶格非谐性对CDW相变的作用。
2022-01-04 cond-mat.mtrl-sci
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
Incorporating Gibbs free energy into interatomic potential fitting
Department of Physics, Xiamen University（厦门大学物理系）
本文提出了一种基于哈密顿热力学积分的方法，用于将吉布斯自由能纳入相互作用势能拟合，通过验证Uhlenbeck-Ford模型和嵌入原子方法势能的有效性，展示了该方法在高温高压条件下的应用价值。
2026-01-30 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
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
An automated approach for developing neural network interatomic potentials with FLAME
University of Paderborn（帕德博恩大学）；Leiden University（莱顿大学）
针对机器学习原子间势依赖训练数据质量的问题，提出一种以体相结构从头算启动、神经网络训练与晶体结构预测循环并行的自动化数据生成与势开发方法，仅需极少人工干预，经两种无机体系验证可靠。
2021-02-08 cond-mat.mtrl-sci
An accurate scheme to calculate the interatomic Dzyaloshinskii-Moriya interaction parameters
基于完全相对论的Korringa-Kohn-Rostoker格林函数（KKR-GF）技术，提出了一种精确计算原子间Dzyaloshinskiii-Moriya相互作用（Dzyaloshinskii-Moriya）参数的新方案.相应的数值结果与文献中报道的使用其他计划得到的结果进行了比较。所发现的差异可主要归因于各种方法中使用的不同参考状态。此外，为微磁模型的哈密顿量制定的磁参数的表达式，提供了一个连接到原子哈密顿量计算的磁参数。这个公式也允许讨论的电子能带结构的具体特征方面的电子自旋。
2017-06-13 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
A modified W-W interatomic potential based on ab initio calculations
基于从头计算方法，建立了一个Finnis-Sinclair型的W-W相互作用势。修改后的潜力是能够重现正确的形成能量的自间隙原子缺陷的钨，提供了显着的改进，在Ackland-Thetford钨势。利用修正势计算了0 ~ 3500 K温度范围内的热膨胀，计算结果与实验数据吻合较好，克服了Derlet-Nguyen-Manh-Dudarev钨势计算负热膨胀的缺点。本文还利用W-W势详细研究了自间隙原子在钨中的扩散。结果表明，初始的自填隙原子引发了一系列的W原子的位移和替代的方向<111>。阿克里尼乌斯适合在低于550 K的温度下的扩散数据表明0.022 eV的迁移能量，在合理的协议与实验数据。
2013-07-23 cond-mat.mtrl-sci
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
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
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
Cluster-based Structural Similarity for Dataset Visualization and Data Selection for Machine Learning Interatomic Potentials
Fujitsu Research, Fujitsu Limited（富士通研究所）；School of Chemical Engineering, Aalto University（阿尔托大学化学工程学院）
针对机器学习原子间势训练中的数据选择，提出基于k-medoids聚类和最优匹配的结构相似性评估方法，兼顾表征保真与计算效率，较基线快约50倍，提升力预测的数据效率与稳定性。
2026-10-01 cond-mat.mtrl-sci
Method and Advantages of Genetic Algorithms in Parameterization of Interatomic Potentials: Metal-Oxides
的方法和优点的进化计算为基础的方法，使用稳态遗传算法（GA）的参数化的金属氧化物的原子间相互作用势壳模型框架内的开发和描述。我们表明，基于遗传算法的原子间力场函数参数化方法能够（a）在单次运行中同时优化材料的多个相或性质，（b）促进整个系统的增量重新优化，因为更多的数据可用于先前运行中不包括的附加相或材料性质，以及（c）在参数空间中存在多个局部最小值的情况下成功的全局优化。作为一个例子，我们应用的方法对四个不同的晶相的钛酸钡（BaTiO 3或BTO）使用从头计算密度泛函理论（DFT）为基础的参考数据集的同时优化。我们发现，优化的力场函数是能够预测的两个阶段中没有使用的优化过程中，和许多派生的物理性质，如平衡晶格常数，晶胞体积，弹性性能，热膨胀系数，和平均电子极化与文献中的实验结果吻合得很好。
2013-06-05 cond-mat.mtrl-sci
A quantum perturbative pair distribution for determining interatomic potentials from extended X-ray absorption spectroscopy
本文发展了一种由单壳层扩展X射线吸收谱（EXAFS）确定量子区材料中原子间相互作用势的方法。我们引入一个对分布函数，基于普通的量子时间无关微扰理论。在所提出的方案中，模型电位参数通过电位的四阶泰勒展开进入分布，并且在模型信号与实验光谱的拟合中直接细化。我们一般讨论我们的理论框架，即量子制度和微扰处理的有效性，并制定出一个简单的工具，用于监测我们的理论在确定晶格非谐性的基础上的统计$F$ -测试的灵敏度。作为一个例子，我们应用我们的形式主义的EXAFS光谱在Ag K-边缘AgI在T=77 K。我们确定的Ag-I势参数，并找到与以前的研究很好的协议。
2002-10-08 cond-mat.mtrl-sci
Sintering of Alumina Nanoparticles: Comparison of Interatomic Potentials, Molecular Dynamics Simulations, and Data Analysis
氧化铝纳米颗粒的烧结无论是从基础研究的角度还是从工业应用的角度都是令人感兴趣的。原子模拟是为理解和预测时间和温度相关的烧结行为而量身定制的。然而，这种分析的质量和可预测性在很大程度上取决于底层原子间相互作用势的性能。在这项工作中，我们调查和基准四个经验原子间的潜力，并讨论由此产生的性能和缺点的基础上，实验和密度泛函理论的数据从文献中。然后，在分子动力学模拟中使用具有不同起源和配方的电势来对烧结过程进行系统的研究。为了分析结果，我们开发了一些量身定制的数据分析方法，能够对烧结过程进行建模和量化。随后，在烧结行为预测的潜力的差异进行了批判性的讨论。最后，我们得出结论，提供解释的潜力，以及分子动力学烧结模拟氧化铝的建议的性能差异。
2022-02-14 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
Classical and Machine Learning Interatomic Potentials for BCC Vanadium
针对BCC钒中DFT泛函导致C44错误而使现有机器学习势失效的问题，开发了经典半经验XMEAM-V与机器学习DP-HYB-V两种原子间势，其中XMEAM-V以DFT精度重现了力学热力学性质并展现反常滑移，为非磁性BCC过渡金属势函数开发提供了实用途径。
2022-09-21 cond-mat.mtrl-sci
The structure and migration of twin boundaries in tetragonal $β$-Sn: an application of machine learning based interatomic potentials
本文开发并公开适用于 Sn 的 MTP 与 RANN 机器学习原子间势，结合 TEM、原子模拟和双晶学揭示 β-Sn 孪晶界刻面结构及剪切耦合迁移机制。
2025-05-13 cond-mat.mtrl-sci
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
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
Does the repulsive interatomic potential determine fragility in metallic liquids?
液体的动力学行为通常以脆性为特征，脆性可以由剪切粘度η的温度依赖性来定义。对于强液体，η的活化能随着朝向玻璃化转变温度Tg的冷却而变化很小。这种变化在易碎液体中要大得多，在Tg附近活化能变得非常大。虽然脆性被广泛认为是一个重要的概念，例如被认为在玻璃形成中发挥重要作用，但对脆性的微观起源却知之甚少。在这里，我们提出了新的实验证据表明，脆弱性反映的排斥部分的原子间的潜力，这可以确定从附近的硬球截止对分布函数的陡峭度的强度。基于对10种不同金属合金液体的散射数据的分析，我们发现较强的液体具有更陡的排斥势。
2017-01-30 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
Systematic assessment of various universal machine-learning interatomic potentials
本文系统评估了五种基于图神经网络的通用机器学习原子间势，利用DFT验证研究和材料项目数据，为材料科学家选择合适模型提供指导与优化建议。
2024-07-20 cond-mat.mtrl-sci
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 Lightweight Universal Machine-Learning Interatomic Potential via Knowledge Distillation for Scalable Atomistic Simulations
Seoul National University（首尔国立大学）；Incheon National University（仁川国立大学）
本文提出SevenNet-Nano，一种基于图神经网络的轻量级通用机器学习互作用势，通过知识蒸馏框架实现高精度和强泛化能力，显著降低计算成本，适用于大规模原子模拟。
2026-04-13 cond-mat.mtrl-sci
Interatomic Fe-H potential for irradiation and embrittlement simulations
氢在铁和铁合金中的行为是物理学和材料科学许多领域的研究热点。为了实现对含Fe-H相互作用体系的大规模分子动力学模拟，我们基于密度泛函理论计算，发展了Tersoff-Brenner形式的Fe-H相互作用势.所得到的解析势不仅适用于模拟Fe中的H，也适用于模拟小的FeH分子，而且可以直接与我们之前构建的不锈钢Fe-Cr-C体系的解析势相结合。这将允许模拟，例如，碳氢化合物分子化学在钢表面上的应用。在目前的工作中，我们施加的潜力来模拟氢致脆化在单晶体铁和铁双晶体与晶界。在这两种情况下，氢被发现软化材料。
2016-04-11 cond-mat.mtrl-sci
A Hessian-Based Assessment of Atomic Forces for Training Machine Learning Interatomic Potentials
近年来，已经引入了许多类型的机器学习势（MLP），其能够以接近第一原理的精度表示高维势能面（PES）。大多数当前的MLP依赖于作为局部化学环境的函数给出的原子能贡献。通常，除了总能量外，原子力也被用来构建势，因为它们提供了关于PES的详细局部信息。由于许多系统对于电子结构计算来说太大，因此从较小的子系统（如分子碎片或簇）获得可靠的参考力可以大大简化训练集的构建。在这里，我们提出了一种方法来确定结构收敛的分子片段提供可靠的原子力的基础上分析的海森。该方法，它作为一个本地测试，并允许估计远程相互作用的重要性，说明了一系列的分子模型系统和金属有机框架的MOF-5作为一个复杂的有机-无机杂化材料的例子。
2021-12-29 cond-mat.mtrl-sci
An Accurate and Transferable Machine-Learning Interatomic Potential for Silicon
现代从头算方法的发展迅速增加了我们对物理、化学和材料科学的理解。不幸的是，密集的从头计算是棘手的大型和复杂系统。另一方面，经验力场虽然能有效地处理大型和复杂系统，但精度较低，可传递性较差。最近发展的机器学习为基础的神经网络（NN）的局部原子环境的密度泛函理论（DFT）的表示提供了一个有前途的解决方案，这一长期存在的挑战。硅是科学技术中最重要的元素之一，但目前还缺乏一个精确的、可传递的硅原子间相互作用势。在这里，我们开发了一个广义NN势的Si，它正确地预测了Si（111）-（7 x7）基态表面重建的第一次，并准确地再现了DFT结果在广泛的复杂的Si结构。我们设想在不久的将来，各种材料系统也会有类似的发展。
2019-01-07 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
Interatomic potentials: Achievements and challenges
原子间相互作用势近似原子的势能，作为其坐标的函数。它们的主要应用是多原子系统的有效模拟。在这里，我们回顾经验原子间的潜力，旨在重现弹性性能，缺陷能量，键断裂，键形成，甚至氧化还原反应。我们讨论流行的两体势，嵌入原子模型的金属，键序势共价键合系统，极化电位，包括电荷转移方法的离子系统和量子德鲁德振荡器模型模仿高阶和多体色散。特别强调的问题是什么约束随之而来的功能形式的潜力，例如，如何违反弹性张量元的柯西关系，以及这对缺陷能和内聚能的比值意味着什么，或者为什么描述金属的势的沸腾温度与熔化温度的比值往往很大，而短程对势的比值很小。这一审查是为了教学而不是为了学术。这就是为什么我们强调具有足够简单的功能形式的潜力，以保持适合分析处理。我们的主要目标是提供一个刺激，现有的方法可以先进的或有意义的结合，以扩大基于经验潜力的模拟范围。
2022-11-10 cond-mat.mtrl-sci
Benchmarking machine-learning interatomic potentials using classical force fields
Université de Lille（里尔大学）；CNRS, Unité Matériaux et Transformations（法国国家科学研究中心，材料转化单元）；Université Marie et Louis Pasteur（玛丽·路易·巴斯德大学）；CNRS, LmB (UMR 6623)（法国国家科学研究中心，LmB（联合研究单位6623））
该研究通过测试多种机器学习原子间势拟合经典势的性能，评估其在多方面的优缺，发现MACE模型重现势能面最准确但计算成本高，为计算材料科学的模型选择提供参考。
2026-10-14 cond-mat.mtrl-sci
Symmetry-restricted energy landscapes as a benchmark for machine learned interatomic potentials
Linköping University（林雪平大学）
本文通过分析对称限制的能量景观，评估了机器学习互原子势在重现势能面细节方面的准确性和局限性，为未来模型开发提供基准。
2026-02-02 cond-mat.mtrl-sci
Accelerating Amorphous Alloy Discovery: Data-Driven Property Prediction via General-Purpose Machine Learning Interatomic Potential
本文开发了首个面向非晶合金的通用机器学习原子间势，基于20400个构型训练，在能量和力预测上达到近DFT精度，可准确预测密度、杨氏模量和玻璃化转变温度等宏观性质，为数据驱动设计和高通量成分筛选奠定基础。
2025-08-16 cond-mat.mtrl-sci
Parameterizing empirical interatomic potentials for predicting thermophysical properties via an irreducible derivative approach: the case of ThO$_2$ and UO$_2$
Idaho National Laboratory（爱达荷国家实验室）；Columbia University（哥伦比亚大学）；Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；The Pennsylvania State University（宾夕法尼亚州立大学）；The Ohio State University（俄亥俄州立大学）
本文提出一种基于不可约导数的训练方法，用于优化经验原子间势能，以提高ThO₂和UO₂的热物理性质预测精度，优于传统方法。
2025-02-14 cond-mat.mtrl-sci
Interatomic Fe-Cr potential for modeling kinetics on Fe surfaces
为了使精确的分子动力学模拟的铁铬合金的表面，我们开发，基于密度泛函理论（DFT）计算，一个新的原子间的铁铬Tersoff形式主义的潜力。相反，以前的潜在的模型，这已被设计为散装Fe-Cr，我们扩展我们的潜在的拟合数据库，不仅包括传统的散装性能，但也在体心立方铁的Cr的表面偏析能。在再现我们的DFT结果的散装性能，新的潜力被发现是优于以前开发的Tersoff势和竞争力的浓度依赖性和双带嵌入原子方法的潜力。对于Cr向Fe-Cr合金表面的偏析，只有新的电位与我们的DFT计算一致，预测Cr优先偏析到最顶层的表面层，而不是其他电位优选的第二层。我们希望这次整改能促进未来的研究，例如，从原子水平上研究不锈钢的耐腐蚀机理。
2021-05-26 cond-mat.mtrl-sci
Modified embedded-atom method interatomic potentials for the Mg-Al alloy system
采用基于密度泛函理论（DFT）的第一性原理方法，建立了Mg-Al合金体系的修正嵌入原子法（MEAM）原子间相互作用势。材料参数，如内聚能，平衡原子体积，和体积模量，被用来确定MEAM参数。面心立方、六方密堆积和立方岩盐结构分别用作Al、Mg和MgAl的参考结构。通过对各种几何形状的Mg和Al原子进行模拟，证明了新的MEAM势对研究Mg-Al合金的原子模拟的适用性。用新的MEAM势计算了Al和Mg原子在Al（111）和Mg（0001）表面的吸附能。计算了空位、间隙缺陷和替位缺陷等点缺陷的形成能和几何形状。我们发现，新的MEAM电位给出了一个更好的整体协议与DFT计算和实验相比，以前公布的MEAM电位。
2006-12-19 cond-mat.mtrl-sci
Benchmarking Universal Machine Learning Interatomic Potentials on Elemental Systems
Center for Advanced Systems Understanding (CASUS)（高级系统理解中心）；Helmholtz-Zentrum Dresden-Rossendorf (HZDR)（德累斯顿-罗斯多夫亥姆霍兹中心）
本研究在元素系统上评估了通用机器学习原子势能函数的性能，发现其在不同金属组中的表现差异显著，揭示了搜索效率与结构保真度之间的脱耦问题。
2025-12-29 cond-mat.mtrl-sci
AtomProNet: Data flow to and from machine learning interatomic potentials in materials science
AtomProNet是一个开源Python包，通过自动化原子结构获取、从头算任务提交与数据收集，降低机器学习原子间势的使用门槛，并验证了其计算实用性。
2025-01-23 cond-mat.mtrl-sci
Two-band second moment model and an interatomic potential for caesium
本文提出了一种半经验的形式主义，用于推导铯或铈等具有体积塌陷相变的材料的原子间相互作用势。它基于Finnis-Sinclair二阶矩紧束缚方法，但在每个原子上包含两个独立的带。势被铸造成一种适合于大规模分子动力学的形式，计算成本是短程对势的评估。铯的模型潜力的参数推导和测试。
2002-12-09 cond-mat.mtrl-sci cond-mat.str-el
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
Genetic programming-based learning of carbon interatomic potential for materials discovery
有效和准确的原子间相互作用势函数对于材料的计算研究以及寻找具有所需性质的结构是至关重要的。传统上，势函数或能量景观是由专家基于理论或启发式知识设计的。在这里，我们提出了一种新的方法来利用强类型的并行遗传编程（GP）的潜在功能发现。我们使用一个多目标进化算法与NSGA-III的选择，以优化个人的年龄，健身和复杂性，通过符号回归。利用从858个碳结构中提取的863个独特碳同素异形体构型的DFT数据集，所产生的势能够以低计算成本预测$\pm 7.70$ eV内的总能量，同时在多个碳结构中很好地推广。我们的代码是开放源代码，可从\url {http：//www.example.com}获得www.github.com/usccolumbia/mlpotential
2022-04-02 cond-mat.mtrl-sci cs.CE
Controversy over Elastic Constants Based on Interatomic Potentials
关于弹性常数的约束条件的文献报道存在着争议。特别是，据报道，嵌入原子法（EAM）的潜力，一般施加三个约束的弹性常数的晶体，是不符合实验。然而，可以表明，一些EAM势根本不施加这样的约束。本文首先解决了这一争议，确定的必要条件时，约束存在，并证明该条件是物理必要的。此外，本文报告，这三个约束条件下消除所有条件下，通过使用响应EAM（R-EAM）的潜力。
2012-10-26 cond-mat.mtrl-sci physics.comp-ph
Database optimization for empirical interatomic potential models
对量子力学计算数据库的加权最小二乘拟合可以确定经验势模型的最佳参数。虽然存在算法来为结构的给定拟合数据库及其结构特性函数提供最佳潜在参数，并且使用贝叶斯采样来估计预测误差，但是基于潜在预测来定义最佳拟合数据库仍然是难以捉摸的。一组测试的结构和它们的结构属性函数提供了一个潜在的可转移性的经验措施。在这里，我们提出了一个基于测试集误差来拟合数据库的目标函数。目标函数允许优化拟合数据库中的权重，评估拟合数据库中结构的包含或移除，或比较两个不同的拟合数据库。为了展示这种技术，我们考虑了一个例子，其中模拟多个复杂的晶体结构是很难的径向对潜在的Ti的Lennard-Jones潜力。该算法根据测试集的潜在预测误差的目标函数，找到不同的最佳拟合数据库。
2013-08-02 cond-mat.mtrl-sci
A wrong ground-state structure of HfO$_2$ predicted by machine-learning interatomic potentials based on the PBE functional
College of Integrated Circuits and Micro-Nano Electronics, and Key Laboratory of Computational Physical Sciences (MOE), Fudan University（复旦大学集成电路与微纳电子学院，教育部计算物理科学重点实验室）
发现基于PBE泛函的机器学习势预测HfO2的I41/amd结构比已知基态P21/c更稳定，错误源于PBE泛函过度稳定含六配位Hf-O八面体的低密度结构。
2026-06-12 cond-mat.mtrl-sci
The Intercalation Chemistry of the Disordered RockSalt Li3V2O5 Anode from Cluster Expansions and Machine Learning Interatomic Potentials
无序岩盐Li 3V 2 O 5由于其理想的低电压、高倍率性能和优异的循环稳定性而成为锂离子二次电池负极材料的理想选择。在此，我们提出了一个全面的研究DRX-Li 3V 2 O 5阳极的嵌入化学使用密度泛函理论计算结合机器学习集群扩展和原子间势。基于蒙特卡罗模拟和拟合的团簇膨胀模型，预测了室温下无序Li 3V 2 O 5阳极的电压分布，与实验结果吻合良好。与之前的DFT结果相比，我们发现在充电过程中Li离子主要嵌入四面体位置，而八面体位置的Li和V离子大多数保持稳定。此外，用拟合的矩张量势进行的MD模拟将DRX-Li 3V 2 O 5的快速充电能力归因于Li+通过四面体-八面体-四面体途径的容易扩散性。我们进一步建议调整Li：V比作为在该系统中权衡增加的锂化容量和降低的阳极电压的手段。这项工作为高性能DRX-Li 3V 2 O 5阳极提供了深入的见解，并为发现其他无序阳极材料铺平了道路。
2022-08-30 cond-mat.mtrl-sci
Small-Cell-Based Fast Active Learning of Machine Learning Interatomic Potentials
本文提出并系统表征了一种基于小晶胞的MLIP快速主动学习方案，在钾及钠-钾体系中以最高两个数量级的成本节省实现了与大晶胞训练相当的从头算精度。
2025-04-09 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
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
Machine Learning Interatomic Potential for Anisotropic Thermal Transport in Bulk Hexagonal Boron Nitride
层状材料中的高度各向异性热导率对于广泛的应用至关重要，例如电子设备的热管理、热绝缘和热电。对层状材料各向异性热输运的理解在很大程度上依赖于基于密度泛函理论（DFT）或经验势的原子模拟，然而，这些方法的计算效率或精度较低。最近，机器学习原子间相互作用势（MLIPs）正在成为弥合这一差距的强大工具。尽管最近在开发MLIP方面取得了进展，但很少有人关注构建一个可以准确预测层状材料热性能的势函数，这与各向同性材料相比更具挑战性，因为层状材料中的高度各向异性键合和弱范德华相互作用。在这里，我们介绍了一个MLIP内的高斯近似势（GAP）的框架内的块状六方氮化硼（h-BN）具有典型的层状结构。GAP可以很好地预测高度各向异性的声子输运性质和体相h-BN的热导率与DFT水平的精度在数量级降低成本。我们的工作证明了GAP能够再现块状h-BN和潜在的其他层状材料的各向异性势能面的细微特征。基于MLIP的原子模拟有望极大地促进对层状材料中声子输运的理解和热物理性质的预测。
2022-08-22 cond-mat.mtrl-sci
KLIFF: A framework to develop physics-based and machine learning interatomic potentials
本文提出 KLIFF 框架，通过模块化设计统一支持基于物理和机器学习的原子间势开发，并与 KIM API 及主流模拟软件兼容，实现从训练到部署的高效灵活流程。
2021-10-01 cond-mat.mtrl-sci
