Physical embedding machine learning force fields for organic systems
University of Chinese Academy of Sciences(中国科学院大学)
本文提出两种物理嵌入策略,通过自适应键长采样和分子间修正,提升机器学习力场在有机系统中的稳定性和预测精度。
2025-09-12 physics.comp-ph
Efficient nonparametric $n$-body force fields from machine learning
我们提供了一个定义和明确的表达式$n$体高斯过程(GP)内核,可以学习任何原子间的相互作用发生在一个物理系统中,高达$n$体的贡献,为任何值的$n$。该系列是完整的,因为它可以表明,"通用逼近器"平方指数内核可以写为$n$体内核的总和。这些配方能够为每个目标系统选择最佳有效的力模型,并通过对各种材料的广泛测试得到证实。我们还描述了如何的$n$体内核可以"映射"等价表示,提供数据库大小无关的预测,因此至关重要的是更有效的。我们明确地进行这种映射过程的第一个非平凡的(3体)内核的系列,并表明,这再现了GP预测的力量与$\text{meV/} Å$的准确性,同时被数量级更快。这些结果为使用新的力模型(这里称为"M-FF")开辟了道路,这些力模型在计算上与其相应的标准参数化$n$-身体力场一样快,同时保留了非参数特性,易于训练和验证,以及最近提出的最佳机器学习潜力的准确性。
2018-05-25 physics.comp-ph
sGDML: Constructing Accurate and Data Efficient Molecular Force Fields Using Machine Learning
我们提出了最近提出的对称梯度域机器学习(sGDML)模型的优化实现。sGDML模型能够忠实地再现全球势能面(PES)的分子与几十个原子从有限数量的用户提供的参考分子构象和相关的原子力。在这里,我们介绍了一个Python软件包来重建和评估自定义sGDML力场(FF),而不需要深入了解模型的细节。用户友好的命令行界面通过模型创建的完整过程提供帮助,努力使这种新颖的机器学习方法可供广大从业者使用。我们的论文作为文档,但也包括如何重建和使用对乙酰氨基酚PBE 0 +MBD FF的实际应用示例。最后,我们展示了如何将sGDML与FF仿真引擎ASE(Larsen等人,J.物理.康登斯Matter 29,273002(2017))和i-PI(Kapil等人,Comput.物理通信236,214-223(2019))来运行数值实验,包括结构优化、经典和路径积分分子动力学和轻推弹性带计算。
2019-03-02 physics.comp-ph
Autodifferentiable Geometric Restraints for Enhanced Sampling Simulations with Classical and Machine Learned Force Fields
针对分子模拟中外部约束的应用需求,本文提出将更通用的几何势与整合神经网络或谱分解的增强采样方法耦合,以在先进材料设计中实现更高效的构象空间采样。
2025-04-18 physics.comp-ph
Raman Spectra of Titanium Carbide MXene from Machine-Learning Force Field Molecular Dynamics
MXenes代表了最大类别的2D材料之一,在许多领域具有很好的应用前景,并且其性质可通过表面基团组成进行调节。拉曼光谱预计将产生有关表面成分的丰富信息,但事实证明,对测量光谱的解释具有挑战性。解释通常通过与模拟光谱进行比较来完成,但实验和早期模拟光谱之间存在很大差异。在这项工作中,我们开发了一种计算方法来模拟复杂材料的拉曼光谱,该方法结合了机器学习力场分子动力学和通过投影到原始系统模式来重建拉曼张量。该方法可以考虑有限温度,混合表面和无序的影响。我们应用我们的方法来模拟碳化钛MXene的拉曼光谱,并表明所有这些效应必须包括在内,以便正确再现实验光谱,特别是广泛的功能。我们讨论了峰的起源以及它们如何随表面组成而演变,然后可以用来解释实验结果。
2022-09-30 physics.comp-ph
On-the-fly machine learning force field generation: Application to melting points
开发了一种高效、鲁棒的动态机器学习力场方法,并将其集成到电子结构代码中。该方法在分子动力学模拟过程中基于贝叶斯推断实现了机器学习力场的自动生成,其中只有当已经采样的数据集出现新的配置时才执行第一性原理计算。应用该方法计算了Al、Si、Ge、Sn和MgO的熔点。应用表明,在力场生成过程中,超过99%的第一性原理计算被忽略。这允许机器在宽相空间上快速构建第一原理数据集。此外,在生成的机器学习力场的帮助下,与第一性原理计算相比,模拟加速了数千倍。用热力学微扰理论检验了力场计算熔点的准确性,结果表明机器学习力场可以定量再现第一原理熔点。
2019-05-05 cond-mat.mtrl-sci physics.comp-ph
On Machine Learning Force Fields for Metallic Nanoparticles
机器学习算法最近已经成为一种生成力场的工具,这些力场的精度接近它们所训练的从头计算的精度,但计算速度要快得多。机器学习力场计算速度的提高是金属纳米粒子建模的关键,因为它们的流动性和多漏斗能量景观需要在长时间尺度上进行采样。在这篇综述中,我们首先正式介绍了用于力场生成的最常用的机器学习算法,简要概述了它们的结构和性质。然后,我们解决的核心问题,训练数据库的选择,报告方法已经使用,但未使用的文献。最后,我们报告并讨论了关于机器学习力场的最新文献,以采样能量景观并研究金属纳米颗粒的催化活性。
2019-09-16 cond-mat.mes-hall physics.comp-ph
Molecular dynamics simulation of the transformation of Fe-Co alloy by machine learning force field based on atomic cluster expansion
本研究采用原子簇展开(ACE)方法结合第一性原理DFT计算,成功构建了二元Fe-Co合金的机器学习力场,并通过分子动力学模拟准确预测了其相变范围。
2023-03-01 cond-mat.mtrl-sci physics.comp-ph
Machine learning models for the secondary Bjerknes force between two insonated bubbles
二次Bjerknes力在气泡团的演化过程中起着重要的作用。然而,由于力对多个参数的复杂依赖性,在气泡簇的模拟中包括该力的影响是非常重要的。在本文中,机器学习被用来开发一个数据驱动的模型,作为气泡的平衡半径,气泡之间的距离,压力的振幅和频率的函数的两个受声波作用的气泡之间的二次Bjerknes力。这种力的变化超过几个数量级,这对通常的机器学习模型构成了严重的挑战。为了克服这个困难,力的大小和符号被分开并单独建模。一个非线性回归得到的前馈网络模型的对数的幅度,而符号是由支持向量机模型建模。介绍了机器模型的训练和验证的原理、实践方面。根据Keller-Miksis方程计算的值检查模型的预测。结果表明,该模型是非常有效的,同时提供准确的估计力。该模型使其计算可行的未来模拟的气泡群,包括二次Bjerknes力的影响。
2020-01-20 physics.comp-ph physics.flu-dyn
Accurate quantum Monte Carlo forces for machine-learned force fields: Ethanol as a benchmark
本文以乙醇为基准,提出用变分或扩散蒙特卡洛获取精确分子力,并证明基于单行列式扩散蒙特卡洛力训练的机器学习力场可重现耦合簇精度。
2024-04-15 physics.chem-ph physics.comp-ph
Enhanced force-field calibration via machine learning
微观力场对布朗粒子运动的影响在包括软物质、生物物理学和活性物质在内的广泛领域中起着重要作用。通常,这些力场的实验校准依赖于对这些布朗粒子的轨迹的分析。然而,这样的分析并不总是简单的,特别是如果基本的力场是非保守的或随时间变化的,驱动系统的热力学平衡。在这里,我们介绍了一个工具箱,通过使用机器学习,即递归神经网络分析布朗粒子的轨迹来校准微观力场。我们证明,如果可用的数据是有限的,这种机器学习方法优于标准的方法时,由谐波电位产生的力场的特征。更重要的是,它提供了一个工具,在没有标准方法的情况下校准力场,如非保守和时变力场。为了让其他用户也可以使用这种方法,我们提供了一个名为DeepCalibb的Python软件包,它可以很容易地针对特定应用进行个性化和优化。
2020-06-16 physics.comp-ph physics.data-an
Construction of accurate machine learning force fields for copper and silicon dioxide
最近,机器学习力场因其高精度和低计算成本而成为一种强大的原子模拟方法。在本研究中,我们分别针对元素材料(Cu)和二元材料(SiO2)构建了ML力场。该方法首先采用考虑键角的结构指纹来描述原子环境,然后采用线性回归、神经网络和混合模型等ML技术来学习结构-力关系。我们发现,角结构指纹和混合模型方法的使用显着提高ML力场的准确性。此外,本文还讨论了基于LASSO算法和遗传算法的有效的结构指纹自动选取方法。用ML力场进行的原子模拟与从头计算结果吻合得很好。
2018-07-05 cond-mat.mtrl-sci physics.comp-ph
On the role of gradients for machine learning of molecular energies and forces
任何机器学习潜力的准确性只能与拟合过程中使用的数据一样好。因此,最有效的模型选择与获得训练数据的成本相比将产生最高准确度的训练数据。我们研究了在能量和力标签上训练的有机分子的量子机器学习模型的预测误差的收敛性,这是分子模拟中两种常见的数据类型。当训练和预测对应于相同单个分子的不同几何形状时,我们发现,与仅训练能量的模型相比,在训练数据中包含原子力将预测能量和力的准确性提高了7倍。令人惊讶的是,对于在非平衡构象中不同大小和组成的有机分子集合上训练的模型,在训练中包含力并不能提高新构象中看不见的分子的预测能量。然而,预测力也提高了约7倍。对于所研究的系统,我们发现,力标签和能量标签的贡献相等,每个标签的预测误差的收敛。因此,选择是否在训练集中包含原子力等导数不仅取决于获取用于训练的力标签的计算成本,还取决于应用领域、感兴趣的属性以及机器学习模型的期望大小。根据我们的观察,我们描述了创建分子势能面数据集的关键考虑因素,这些数据集可以最大限度地提高所得机器学习模型的效率。
2020-07-19 physics.chem-ph physics.comp-ph
Machine learning force fields and coarse-grained variables in molecular dynamics: application to materials and biological systems
机器学习包含一组工具和算法,现在几乎在所有科学和技术领域都变得流行。分子动力学也是如此,机器学习有望从复杂系统模拟产生的大量数据中提取有价值的信息。我们在这里提供了一个回顾我们目前的理解的目标,好处和限制的机器学习技术的计算研究原子系统,侧重于从从头算数据库的经验力场的建设和自由能计算和增强采样的反应坐标的确定。
2020-04-15 physics.comp-ph q-bio.BM
Machine learning forces trained by Gaussian process in liquid states: Transferability to temperature and pressure
我们研究了机器学习(ML)模型在密度泛函理论(DFT)中预测原子力的泛化性能。目标是液态的Si和Ge单组分系统。为了训练机器学习模型,利用表达目标原子周围局部结构的原子指纹执行高斯过程回归。训练和测试数据由基于DFT的分子动力学生成。我们首先报告了在相同温度下从DFT-MD模拟生成测试和训练数据时ML力的准确性。通过比较不同温度下ML力的精度,发现在固液两相边界附近ML力的精度最低。此外,我们研究了在液体状态下训练的ML模型对温度和压力的可转移性。我们证明,如果训练是在高温下进行的,如果体积变化不是那么大,ML力在液体状态下的可转移性是足够高的,而其转移到固体状态是非常低的。
2018-10-12 cond-mat.mtrl-sci physics.comp-ph
Accelerating Atomistic Simulations with Piecewise Machine Learned Ab Initio Potentials at Classical Force Field-like Cost
机器学习方法如今已经成为以从头算精度构造高维原子间相互作用势的简单易用的工具。虽然机器学习的原子间势通常比第一性原理计算快几个数量级,但它们仍然比经典力场慢得多,代价是使用更复杂的结构描述符。为了弥补这一效率差距,我们提出了一个嵌入式原子神经网络的方法与简单的分段开关函数为基础的描述符,从而在一个良好的线性缩放与相邻原子的数量。数值例子验证了这种分段机器学习模型可以比各种流行的机器学习势快一个数量级,对于金属和共价材料都具有相当的精度,接近最快的嵌入原子方法的速度(即每个CPU内核几μs/原子)。这种方法的效率极高,保证其潜力的第一原理原子模拟非常大的系统和/或在长时间尺度。
2020-11-17 physics.chem-ph physics.comp-ph
Machine learning valence force field model
价力场(VFF)模型是原子相互作用的简明物理解释,以显式二次函数形式表示的键和角度变化,而机器学习(ML)方法是一种灵活的数值方法,可以根据一些预先获得的训练数据进行预测,而无需任何显式函数。结合VFF模型清晰的物理本质和ML方法的数值灵活性,我们提出了一种所谓的ML-VFF模型。ML-VFF模型没有对原子相互作用施加任何显式的函数形式,而是用高斯回归方法预测势和力。我们以石墨烯为例来说明ML-VFF模型以相对较低的计算费用进行准确预测的能力。我们还讨论了ML-VFF模型的一些关键优点和缺点。
2018-08-06 cond-mat.mtrl-sci physics.comp-ph
Simple and efficient algorithms for training machine learning potentials to force data
摘要机器学习模型,从从头算量子模拟的数据训练,产生分子动力学潜力与前所未有的准确性。一个限制因素是可用训练数据的数量,这可能是昂贵的。一个量子模拟通常提供所有的原子力,除了系统的总能量。这些力提供的信息比单独的能量多得多。可能出现的是,针对如此大量的力数据训练模型将引入显著的计算成本。实际上,训练所有可用的力数据应该只比单独训练能量贵几倍。在这里,我们提出了一种用于有效力训练的新算法,并通过训练来自有机化学和散装铝的真实数据集的力来衡量其准确性。
2020-06-09 cond-mat.mtrl-sci physics.comp-ph stat.ML
Accelerating Phonon Thermal Conductivity Prediction by an Order of Magnitude Through Machine Learning-Assisted Extraction of Anharmonic Force Constants
本文提出机器学习辅助提取非谐力常数的方法,在220种三元材料上将计算时间从48万cpu-hours降至1.2万以内,热导率预测精度保持在10%以内,显著推进高通量材料发现。
2024-08-31 cond-mat.mtrl-sci physics.comp-ph
Insight into the effect of force error on the thermal conductivity from machine-learned potentials
本研究通过MD和LD模拟,系统研究了机器学习势中力误差对热导率的影响,发现MD低估热导率并提出基于朗之万恒温器的外推修正方案,修正结果与实验一致。
2024-11-07 cond-mat.mtrl-sci physics.comp-ph
Pre-training, fine-tuning, and distillation (PFD): Automatically generating machine learning force fields from universal models
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 Lab(苏州实验室)
PFD方法通过预训练、微调和蒸馏从通用模型自动生成高精度力场,提升材料模拟效率和精度。
2025-12-10 cond-mat.mtrl-sci physics.comp-ph
The energetics of force errors in machine-learned molecular dynamics
Beihang University(北京航空航天大学);McGill University(麦吉尔大学);Nanoacademic Technologies Inc.(纳米学术技术有限公司)
本文提出方向性残余功系数,用于量化机器学习分子动力学中力误差的能量效应,并在锂电解质界面验证,为势评估提供物理基础。
2026-09-10 cond-mat.mtrl-sci physics.comp-ph
The hiphive package for the extraction of high-order force constants by machine learning
力常数(FC)的有效提取对于许多热力学材料性质的分析至关重要。基于有限差分系统枚举的方法与系统尺寸的比例很差,并且当输入数据从第一性原理计算获得时,很少能扩展到三阶以上。另一方面,基于原子间势的参数拟合的方法可以从高信息密度的半随机配置中提取FC参数,并且高级正则化回归方法可以从有限的数据量中恢复物理解。在这里,我们介绍了hiPhive Python包,它可以构建任意阶的力常数模型。hiPhive利用晶体对称性来减少自由参数的数量,然后采用先进的机器学习算法来提取力常数。取决于手头的问题,超定和欠定系统都得到有效处理。随后可以直接分析FC和/或用于进行例如,分子动力学模拟。这种方法的效用是通过几个例子,包括理想的和有缺陷的单层的MoS $_2$以及散装镍证明。
2019-02-05 cond-mat.mtrl-sci physics.comp-ph
Machine Learning Hamiltonians are Accurate Energy-Force Predictors
Korea Advanced Institute of Science and Technology(韩国科学技术院);Department of Artificial Intelligence, Korea University(高丽大学人工智能系);LG AI Research(LG AI研究)
研究现有哈密顿量模型作为能量-力预测器表现不明的问题,通过直接从预测哈密顿量计算能量和力的基准测试填补空白,提出QHFlow2模型并展示其优势及与模型容量和数据的关系
2026-07-07 cond-mat.mtrl-sci physics.comp-ph
Accurate Energy Barriers for Catalytic Reaction Pathways: An Automatic Training Protocol for Machine Learning Force Fields
本研究提出一种机器学习力场自动训练协议,可准确测定催化反应能垒,在二氧化碳加氢制甲醇反应中验证了高精度与低成本优势,并证明了其可迁移性。
2023-08-22 physics.chem-ph physics.comp-ph
Parametrization of Non-Bonded Force Field Terms for Metal-Organic Frameworks Using Machine Learning Approach
金属有机框架(MOFs)的巨大结构和化学多样性迫使研究人员在与实验平等的基础上积极使用模拟技术。MOFs因其出色的吸附性能而广为人知,因此精确描述主客体相互作用对于旨在对最有希望的候选物进行排名的高通量筛选至关重要。然而,由于计算成本高,高精度的从头计算不能常规地应用于数千个结构的模型。另一方面,基于力场(FF)参数化的方法具有低可移植性。为了解决这个准确性-效率的困境,我们应用了机器学习(ML)方法。训练的模型再现了材料中的原子量,包括部分电荷、极化率、色散系数、量子Drude振荡器和电子云参数,其精度在底层密度泛函理论方法的范围内。上述FF前体使得有可能彻底描述典型的MOF-吸附物系统的非共价相互作用:静电、分散、极化和短程排斥。所提出的方法还可以显着促进混合原子模拟/ML工作流。
2021-09-13 cond-mat.mtrl-sci physics.comp-ph
Accurate global machine learning force fields for molecules with hundreds of atoms
全局机器学习力场(MLFF)具有捕获分子系统中集体多原子相互作用的能力,由于模型复杂性随着系统规模的显著增长,目前只能扩展到几十个原子。对于较大的分子,局域性假设通常被引入,其结果是非局域相互作用很差或根本没有描述,即使这些相互作用包含在参考从头算数据中。在这里,我们接近这一挑战,并开发了一种精确的迭代无参数方法来训练全球对称梯度域机器学习(sGDML)力场系统多达几百个原子,而不诉诸任何本地化的原子相互作用或其他潜在的不受控制的近似。这意味着所有原子自由度在全局sGDML FF中保持完全相关,从而可以准确描述呈现具有深远特征相关长度的现象的复杂分子和材料。我们评估的准确性和效率,我们的MLFF上新开发的MD22基准数据集包含分子从42到370个原子。我们的方法的鲁棒性表现在纳秒长路径积分分子动力学模拟的超分子复合物在MD22数据集。
2022-11-14 physics.chem-ph physics.comp-ph
Molecular Force Fields with Gradient-Domain Machine Learning: Construction and Application to Dynamics of Small Molecules with Coupled Cluster Forces
我们使用最近开发的对称梯度域机器学习(sGDML)方法[Chmiela等人,国家通信9,3887(2018); Sci. 3,e1603015(2017)]。这种方法能够准确地重建复杂的高维势能面,从从头计算分子动力学轨迹提取的分子构象只有几百个。sGDML方法的数据效率意味着这些构象的原子力可以用高水平的基于波函数的方法计算,例如“金标准”CCSD(T)方法。我们证明了sGDML模型的灵活性恢复本地和非本地的电子相互作用(如氢键,质子转移,孤对,在杂交状态的变化,空间排斥和$n\toπ^*$相互作用),而不施加任何限制的性质原子间的潜力。sGDML分子动力学轨迹的分析产生了新的定性的见解接近光谱精度的小分子的动力学和光谱。
2019-02-01 physics.chem-ph physics.comp-ph physics.data-an
Grappa -- A Machine Learned Molecular Mechanics Force Field
Heidelberg Institute for Theoretical Studies(海德堡理论研究所)
Grappa利用图注意力网络和Transformer从分子图预测MM参数,在保持计算效率的同时提升力场精度,适用于小分子至病毒粒子的MD模拟。
2024-08-01 cs.LG physics.chem-ph physics.comp-ph
Linear Scaling Calculation of Atomic Forces and Energies with Machine Learning Local Density Matrix
本文提出HamGNN-DM模型,利用局域密度矩阵以O(n)线性标度实现DFT级精度的原子力和能量预测,为大规模分子动力学模拟提供高效且稳健的电子结构信息。
2025-01-03 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Measuring transferability issues in machine-learning force fields: The example of Gold-Iron interactions with linearized potentials
为了扩展当前第一性原理计算的可能性,机器学习力场已被越来越多地采用。然而,在原始数据库之外的情况下,所获得的电势的可传递性并不总是能够得到保证。为了研究这种限制,我们研究了金-铁纳米颗粒相互作用的非常困难的情况。对于机器学习潜力,我们采用了一种线性化的公式,该公式使用惩罚回归方案进行参数化,这使我们能够控制所获得的潜力的复杂性。我们发现,虽然具有更复杂的势可以与训练数据库更好地一致,但它也可能导致过拟合问题和未经训练的系统的准确性较低。
2020-11-09 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Accurate Force Field for Molybdenum by Machine Learning Large Materials Data
在这项工作中,我们提出了一个高度准确的光谱近邻分析潜力(SNAP)模型钼(Mo)通过严格应用机器学习技术的大型材料数据集。尽管Mo作为结构金属的重要性,基于嵌入原子和修改的嵌入原子方法的Mo的现有力场在许多性质上仍然不能提供令人满意的精度。我们将证明,通过拟合一个大的密度泛函理论(DFT)计算的数据集上的各种Mo结构的能量,力和应力张量,可以开发一个Mo SNAP模型,在预测广泛的属性,包括能量,力,应力,弹性常数,熔点,声子谱,表面能,晶界能,我们将概述一个系统的模型开发过程,其中包括一个严格的方法,结构选择的基础上主成分分析,以及差分进化算法优化超参数的模型拟合,使模型误差和属性预测误差可以同时降低。我们希望这个新开发的Mo SNAP模型将在大规模,长时间尺度的模拟中找到广泛的应用。
2017-06-28 cond-mat.mtrl-sci physics.comp-ph
Development of a New Parameter Optimization Scheme for a Reactive Force Field (ReaxFF) Based on a Machine Learning Approach
反应分子动力学(MD)模拟使用反应力场(ReaxFF)进行。为此,我们开发了一种基于机器学习方法优化ReaxFF参数的新方法。该方法结合了$k$-最近邻和随机森林回归算法,有效地定位了几个可能的ReaxFF参数集,从而优化的ReaxFF参数即使在高温条件下也可以预测物理性质,而且参数细化的努力很小。作为所开发方法的中试测试,应用优化的ReaxFF参数集来执行$α$-Al $_2$ O $_3$晶体的化学气相沉积(CVD)。$α$-Al $_2$ O $_3$的晶体结构即使在相对高的温度(2000 K)下也被合理地再现。反应分子动力学模拟表明,(11 $\overline{2}$ 0)表面生长速度快于(0001)表面,表明所开发的参数优化技术可用于理解CVD过程中的化学反应。
2018-12-08 physics.chem-ph physics.comp-ph
Accelerated Machine Learning Force Field for Predicting Thermal Conductivity of Organic Liquids
ByteDance Seed(字节跳动种子);Tsinghua Shenzhen International Graduate School(清华大学深圳国际研究生院)
提出基于差分注意力机制的机器学习力场分子动力学工作流,结合液体密度对齐实验,实现有机液体热导率快速预测,平均绝对百分比误差14%。
2025-12-01 physics.chem-ph physics.comp-ph
Dynamically training machine-learning-based force fields for strongly anharmonic materials
Institute of Atomic and Molecular Sciences, Academia Sinica(中央研究院原子与分子科学研究所);Department of Physics, National Taiwan University(台湾大学物理系)
本研究提出一种动态训练ML力场的框架,通过贝叶斯误差估计提升力场的鲁棒性和可迁移性,适用于强非谐材料。
2026-01-29 cond-mat.mtrl-sci physics.comp-ph
Gradient domain machine learning with composite kernels: improving the accuracy of PES and force fields for large molecules
大型多原子分子的势能面(PES)和力场(FF)的机器学习模型的泛化精度通常可以通过增加训练点的数量或通过改进模型来提高。为了建立精确的模型,昂贵的高层次从头计算的基础上,最近的工作主要集中在后者。特别是,它已被证明,梯度域机器学习(GDML)模型产生准确的结果,高维分子系统与少量的从头计算。目前的工作扩展GDML的模型与复合内核,以最大限度地从少量的分子几何形状的推断。我们说明,GDML模型可以通过增加底层内核的复杂性,通过贪婪搜索算法使用贝叶斯信息准则作为模型选择度量。我们表明,这需要将各向异性纳入核函数,并产生具有显着较小的泛化误差的模型。给出了乙醇、尿嘧啶、丙二醛和阿司匹林的结果。对于阿司匹林,具有通过在1000个随机采样的分子几何形状下的力训练的复合核的模型产生平均绝对精度为0.177 kcal/mol(61.9 cm $^{-1}$)的全局57维PES和平均绝对误差为0.457 kcal/mol $^{-1}$的FF。
2023-03-17 physics.chem-ph physics.comp-ph
Molecular Force Fields with Gradient-Domain Machine Learning (GDML): Comparison and Synergies with Classical Force Fields
现代机器学习力场(ML-FF)能够以高级$ab~initio$方法的精度产生能量和力预测,但计算成本要低得多。另一方面,经典分子力学力场(MM-FF)采用固定的功能形式,往往是不太准确,但相当快,并可转移之间的分子相同的类。在这项工作中,我们将研究这两种方法如何相互补充。我们对比的能力ML-FF重建动态和热力学可观的MM-FFs,以获得定性的理解这两种方法之间的差异。这种分析使我们能够修改广义琥珀力场(GAFF),通过重新参数化短程和键合相互作用与更多的表达条款,使他们更准确,而不牺牲的关键属性,使MM-FF如此成功。
2020-08-10 physics.atm-clus physics.bio-ph physics.chem-ph
Efficient Generation of Stable Linear Machine-Learning Force Fields with Uncertainty-Aware Active Learning
本研究提出一种基于线性回归、具备不确定性感知的主动学习策略,仅用数十次从头算模拟即可生成达化学精度的稳定线性机器学习力场,且无需构象预采样。
2023-03-29 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Understanding multi-fidelity training of machine-learned force-fields
University of Oxford(牛津大学);Microsoft Research(微软研究院)
本文研究了两种多保真度训练策略,揭示了其成功机制,指出预训练和微调的准确性存在对数对数线性关系,而多头模型则能实现方法无关的表示,尽管性能略有下降,但实际应用中更具成本效益。
2026-04-02 physics.chem-ph physics.comp-ph
CHIPS-FF: Evaluating Universal Machine Learning Force Fields for Material Properties
本研究推出通用开源MLFF基准平台CHIPS-FF,整合ASE与JARVIS-Tools,用16种图基MLFF模型在104种材料及近200万原子结构上评估多类复杂性质与性能,助力半导体领域MLFF的开发部署。
2025-03-19 cond-mat.mtrl-sci physics.comp-ph
Shock Hugoniot calculations using on-the-fly machine learned force fields with ab initio accuracy
提出基于即时机器学习力场的分子动力学框架计算冲击雨贡纽曲线,在保持从头算精度的同时将计算加速两个数量级,成功应用于FPEOS数据库中14种材料的雨贡纽曲线计算。
2024-07-29 physics.comp-ph physics.plasm-ph
Forces are not Enough: Benchmark and Critical Evaluation for Machine Learning Force Fields with Molecular Simulations
Massachusetts Institute of Technology(麻省理工学院);Northwestern University(西北大学);Microsoft Research(微软研究院)
该研究针对现有机器学习力场多以力/能量误差为基准、与实际分子动力学模拟需求脱节的问题,构建了覆盖多体系的新型基准套件与对应指标,测试发现力精度与模拟指标匹配度低,指出稳定性是核心改进方向,并配套开源代码库。
2023-08-26 cs.LG physics.chem-ph physics.comp-ph
Atomic Permutationally Invariant Polynomials for Fitting Molecular Force Fields
我们介绍并探索了一种用于构建小分子力场的方法,该方法将直观的低体阶经验力场项与最近机器学习潜力的数据驱动统计拟合的概念相结合。我们将这两个关键思想结合在一起,以弥合一方面具有高度可转移性的已建立经验力场与另一方面可系统改进并可收敛到非常高精度的机器学习潜力之间的差距。我们的框架扩展了原子置换不变多项式(aPIP)开发的元素材料[马赫。学习.格:Sci. 2019 1 015004]中描述的分子系统。体序分解使我们能够保持每个项的维数较低,而使用迭代拟合方案以及正则化程序可以提高训练集外的外推。我们调查aPIP力场与广义4体条款,并检查一组小的有机分子的性能。在拟合单个分子时,我们实现了高水平的准确性,可与多体机器学习力场的准确性相媲美。拟合到短直链烷烃的组合训练集,aPIP力场的准确性仍然显著超过从经典经验力场可以预期的,同时保留到远离训练集和新分子的两种配置的合理可转移性。
2020-10-23 physics.chem-ph physics.comp-ph
Machine-learning force-field models for dynamical simulations of metallic magnets
Department of Physics, University of Virginia, Charlottesville, VA 22904, USA(物理学系,弗吉尼亚大学,夏洛特维尔,VA 22904, USA)
本文提出基于机器学习的力场模型,用于高效模拟金属磁体的非平衡自旋动力学,展示了其在预测新型非平衡现象方面的有效性。
2026-02-20 cond-mat.str-el cs.LG physics.comp-ph
Machine learning aided atomic structure identification of interfacial ionic hydrates from atomic force microscopy images
针对AFM图像难以确定界面离子水合物原子结构的问题,提出基于机器学习和界面水数据迁移学习的识别方法,可精确获得原子位置与水分子取向。
2023-04-24 cond-mat.mes-hall physics.comp-ph
Evaluating the Transferability of Machine-Learned Force Fields for Material Property Modeling
Stanford University(斯坦福大学);Yonsei University(延世大学)
本文提出了一套全面的基准测试以评估机器学习力场的可迁移性,通过基于GNN的力场对氩进行MD模拟,发现训练数据必须包含固相构型才能准确捕捉固相行为,强调了合理选择训练数据的重要性。
2023-01-15 cs.LG cs.NA math.NA
Machine-Learned Force Fields for Lattice Dynamics at Coupled-Cluster Level Accuracy
Institute of Theoretical Physics, Technical University of Vienna(维也纳技术大学理论物理研究所);Faculty of Physics and Center for Computational Materials Science, University of Vienna(维也纳大学物理系和计算材料科学中心)
本文研究了基于近似密度泛函理论和耦合簇水平势能面训练的机器学习力场,通过计算声子色散关系和振动密度态与实验和参考ab initio结果进行比较,验证了其在碳金刚石和锂氢固体中的准确性和精度,并探讨了通过耦合簇与密度泛函结果差异的delta学习方法和带电意识的机器学习力场方法。
2026-05-20 cond-mat.mtrl-sci cs.LG physics.comp-ph
Symmetry-invariant quantum machine learning force fields
IBM Quantum, IBM Research Europe – Zurich(IBM量子、IBM欧洲研究院苏黎世分部);Institute for Quantum Information, RWTH Aachen University(亚琛工业大学量子信息研究所);European Organization for Nuclear Research (CERN)(欧洲核子研究组织(CERN));Department of Nuclear and Particle Physics, University of Geneva(日内瓦大学核与粒子物理系)
针对量子机器学习力场可训练性与可扩展性受限问题,本文设计纳入物理相关对称性的量子神经网络,其不变模型在复杂分子上表现优于通用模型,为大规模模拟及化学系统应用提供新路径。
2023-11-19 cs.LG physics.chem-ph physics.comp-ph
From Energy-Force Weighting to Primal-Dual Optimization of Machine-Learned Interatomic Potentials
School of Mathematical Sciences, Institute of Natural Sciences and MOE-LSC, Shanghai Jiao Tong University(上海交通大学数学科学学院、自然科学研究院和教育部线性科学中心);Department of Mathematics, National University of Singapore(新加坡国立大学数学系)
针对机器学习原子间势的能量-力平衡问题,提出力约束拟合方法,通过原对偶优化替代权重选择,在多个体系上实现6.7-8.9倍加速并改善模型选择。
2026-10-02 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Machine learning nonequilibrium phase transitions in charge-density wave insulators
Department of Physics, University of Virginia, Charlottesville, VA 22904, USA(物理学系,弗吉尼亚大学,夏洛特维尔,VA 22904, USA)
本文提出利用机器学习预测非平衡电子力,以高效模拟电荷密度波绝缘体中的非平衡相变过程。
2026-01-12 cond-mat.str-el cs.LG physics.comp-ph
Kinetics of Peierls dimerization transition: Machine learning force-field approach
University of Virginia(弗吉尼亚大学)
本文提出机器学习力场框架模拟Peierls不稳定性驱动的电荷密度波非平衡动力学,实现线性标度效率,并揭示CDW畴两阶段粗化行为(早期幂律增长指数约0.7,后期Allen-Cahn标度),展示了ML力场在多尺度动力学建模中的潜力。
2025-10-23 cond-mat.stat-mech cond-mat.str-el physics.chem-ph
Modelling complex proton transport phenomena -- Exploring the limits of fine-tuning and transferability of foundational machine-learned force fields
Technische Universität Ilmenau(伊尔梅瑙工业大学)
本研究利用MACE力场模拟固体酸的质子传输,通过微调和多纳秒级MD模拟,实现了与实验数据一致的扩散系数和活化能结果。
2025-01-08 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
A Scalable Molecular Force Field Parameterization Method Based on Density Functional Theory and Quantum-Level Machine Learning
快速准确的分子力场参数化是一个尚未解决的问题。准确的FF通常不适用于所有分子,如新型药物样分子。虽然存在基于量子力学(QM)的方法来以更好的精度对它们进行参数化,但它们在计算上昂贵且缓慢,这限制了对少量分子的适用性。在这里,我们提出了一个自动FF参数化方法,它可以利用DFT计算或近似QM能量产生不同的神经网络电位(NNPs),以获得改进的分子参数。我们证明,对于torchani-ANI-1x NNP的情况下,我们可以参数化的小分子在一小部分的时间相比,使用DFT QM计算的等效参数化,同时产生更准确的参数比FF(GAFF 2)。我们希望我们的方法是至关重要的计算结构为基础的药物发现。当前版本可在PlayMolecule(www.playmolecule.org)上获得,并在HTMD中实现,允许使用不同的QM和NNP选项对分子进行参数化。
2019-08-03 physics.bio-ph physics.chem-ph physics.comp-ph
Accurate machine learning force fields via experimental and simulation data fusion
Technical University of Munich(慕尼黑工业大学);Munich Data Science Institute(慕尼黑数据科学研究所)
提出融合DFT计算与实验测量数据训练钛的机器学习势,修正DFT误差并保留非目标性质,实现更高精度的分子模型,适用于任意材料。
2023-08-17 cs.LG physics.chem-ph physics.comp-ph