Atomistically-informed modeling of point defect clustering and evolution in irradiated ThO2
提出了一个团簇动力学（CD）模型来研究点缺陷团簇的成核和生长，间质棱柱环和纳米级和亚纳米级的空隙，在ThO2在高能粒子照射过程中。该模型考虑了由于辐照下O和Th亚晶格上点缺陷产生的不对称性而引起的簇非化学计量比，以及点缺陷扩散率和簇的缺陷结合能。考虑到团簇构型的统计变异性，使用详细的分子动力学模拟建立能量。采用高阶自适应时程积分法对模型进行求解。预测的环密度和它们的平均尺寸是在良好的协议与质子辐照的ThO2在600 ℃的实验观察报告。该模型没有预测空隙的演变，由于缓慢的动力学的阳离子空位，解释了在质子辐照的ThO2（和其他氧化物）在相对较低的温度下的空隙的情况下。
2022-06-13 cond-mat.mtrl-sci physics.chem-ph
Origin of the yield stress anomaly in L12 intermetallics unveiled with physically-informed machine-learning potentials
本文利用物理信息主动学习构建的机器学习势进行分子动力学模拟，揭示Ni3Al中Kear-Wilsdorf锁的形成与解锁机制，并提出唯象模型将原子尺度解锁应力外推至宏观尺度，阐明L12金属间化合物屈服应力异常的起源。
2024-06-07 cond-mat.mtrl-sci
A Physically-informed Graph-based Order Parameter for the Universal Characterization of Atomic Structures
提出了一种新的基于图的原子结构序参量。该序参量对任何材料/化学体系都是通用的，并且可以转移到所有的结构几何中。使用三组数据来验证算法的通用性和准确性：（1）跨越高达300 GPa的液体锂配置，（2）在环境温度和高温下碳与纳米管和巴基球的凝聚相，以及（3）包括表面、压缩和膨胀晶格、点缺陷、晶界、液体、纳米颗粒的各种铝配置，都是在非零度的温度下铝配置也比较现有的表征方法的速度和精度。我们的序参量独特地分类每一种配置，并优于所有晶体序参量在这里研究，打开了大门，它的使用在众多复杂的应用空间，可以需要精细的材料配置表征。
2021-06-15 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
Bridging Atomistic and Continuum Descriptions of Nanoscale Dislocation Loops in Tungsten
University of Warwick（华威大学）；United Kingdom Atomic Energy Authority（英国原子能管理局）
本文提出连续方法模拟位错环相互作用，以预测辐射对钨材料性能的长期影响，通过原子模拟验证模型，证明连续模型在远场行为与原子模拟结果一致。
2026-04-17 cond-mat.mtrl-sci
CHGNet: Pretrained universal neural network potential for charge-informed atomistic modeling
University of California, Berkeley（加州大学伯克利分校）；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）；University of Cambridge（剑桥大学）；University of Minnesota（明尼苏达大学）
提出CHGNet，一种基于图神经网络、预训练于大规模DFT轨迹的通用原子间势，通过显式建模磁矩捕获电荷信息，用于准确模拟材料中的原子和电子自由度，并在多个固态系统中展示应用。
2023-06-20 cond-mat.mtrl-sci cs.LG
Ab initio informed electronic stopping models for light ion propagation in metals
Aalto University（阿尔托大学）；University of Tartu（塔尔图大学）
本文提出在原子尺度上使用局部电子停止模型，以更高效地描述轻离子能量耗散过程，并通过实验数据验证其有效性。
2026-07-30 cond-mat.mtrl-sci physics.comp-ph
An atomistic model of electronic polarizability for calculation of Raman scattering from large-scale MD simulations
本文提出一种仅含少量可调参数的电子极化率原子模型，可高效模拟百万原子级体系的拉曼光谱，并在CO2、水团簇和钙钛矿体系中验证了其准确性，为用大规模MD模拟研究电子结构相关性质开辟了新途径。
2023-04-15 cond-mat.mtrl-sci
Mesoscale computational study of the nano-crystallization of amorphous Ge via a self-consistent atomistic - phase field coupling
锗是许多相变材料中的基本元素，即可以在其结晶相和非晶相之间进行可逆转变的系统。它们被广泛用于当前的数字电子产品中，并为下一代非易失性存储器设备带来了巨大的希望。然而，这些应用所需的超快相变可能是非常复杂的，即使是单组分系统，这些现象的物理理解仍然缺乏。在本文中，我们研究了在高温下从非晶薄膜结晶Ge的成核和生长相场模型通知的基本材料性质的原子计算。的原子计算捕获的Ge晶格的各向异性，这导致在界面能和迁移率的取向依赖性的全部。这些取向关系，然后准确地恢复相场模型在有限厚度通过一种新的参数化策略的基础上的不变性解决方案的Allen-Cahn方程。通过这种多尺度方法，我们研究了成核和生长之间的相互作用，发现结晶Ge晶粒的平均半径和成核速率之间的关系遵循简单的Avrami型标度律。我们认为，这些可以用来覆盖一个广泛的区域的成核率空间，从而方便与实验比较。
2013-12-13 cond-mat.mtrl-sci
Multiscale modeling of plastic deformation of molybdenum and tungsten: I. Atomistic studies of the core structure and glide of 1/2<111> screw dislocations at 0 K
体<111>心立方金属的塑性形变主要由1/2螺旋位错控制。这些位错在0 K的滑移的原子研究已经进行了使用键级电位为钼和钨，占混合金属和共价键在过渡金属。当在滑移方向施加纯剪应力时，钼显示出显著的孪晶-反孪晶不对称性，但钨没有。然而，对于拉伸/压缩载荷，施密德定律在两种金属中都失效，主要是由于垂直于滑移方向的剪切应力的影响，该剪切应力改变了位错核心。认识到这一现象的基础上，发展的物理为基础的屈服准则，捕获的崩溃施密德定律BCC金属。此外，位错滑移可能是最好的{110}平面以外的最高应力，这是在许多BCC金属中观察到的反常滑移的回忆。
2008-07-16 cond-mat.mtrl-sci
An Extensible Agentic Framework for Expert-Level Automation of Atomistic Simulations
Seoul National University（首尔大学）；Korea Institute for Advanced Study（韩国高等科学研究院）
提出Paimon平台，通过抑制静默错误、支持外部科学智能体协作和自主复现文献方法，实现原子模拟全生命周期的连续自动化。
2026-11-10 cond-mat.mtrl-sci
Physically informed machine-learning algorithms for the identification of two-dimensional atomic crystals
石墨烯单层于2004年首次分离出来，在下一代电子学、光电子学和能量存储方面显示出独特的性能和有前途的技术潜力。用于制造石墨烯的简单而有效的方法，机械剥离，然后进行光学显微镜检查，已被用于发现更多的二维（2D）原子晶体，这些晶体显示出与其大块对应物不同的物理特性，开辟了材料研究的新时代。然而，手动检查光学图像以识别2D薄片具有低吞吐量的明显缺点，因此对于2D样品的任何放大应用都是不切实际的，这归因于它们迷人的物理性质。最近，高性能机器学习（通常是深度学习）技术与光学显微镜的结合加速了薄片识别。尽管深度学习算法带来了进步，但它们的高计算复杂性，大数据集要求，更重要的是，不透明的决策过程限制了它们的可访问性。作为替代方案，我们研究了更透明的基于树的机器学习算法，该算法具有模仿颜色对比度的特征，用于自动识别剥落的2D原子晶体（例如，MoSe2）。我们将这些基于树的算法的决策的成功和物理性质与ResNet（一种卷积神经网络（CNN））进行比较。我们表明，决策树，梯度提升决策树和随机森林可以成功地对薄材料的光学图像进行分类，其透明决策依赖于物理图像特征，并且不会受到极端过拟合和大数据集要求的影响。
2022-12-01 cond-mat.mtrl-sci
Development of a general-purpose machine-learning interatomic potential for aluminum by the physically-informed neural network method
摘要原子间相互作用势是大尺度材料原子模拟的重要组成部分。最近提出的物理信息神经网络（PINN）方法结合了人工神经网络实现的高维回归与适用于金属和非金属的基于物理的键序原子间势。在本文中，我们提出了PINN方法的修改版本，该版本加速了势训练过程，并进一步提高了PINN势到未知原子环境的可移植性。作为一个应用程序，已开发了一个修改的PINN势的Al电子结构计算的大型数据库上的培训。该势再现了每个原子2.6 meV内的参考第一原理能量，并准确地预测了Al的宽范围的物理性质。这些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、熔化温度、液体Al的结构和动力学性质、液体表面和固-液界面的表面张力、以及晶界裂纹的成核和生长。PINN势的计算效率也进行了讨论。
2020-11-09 cond-mat.mtrl-sci physics.comp-ph
Calculating temperature-dependent properties of Nd$_2$Fe$_{14}$B permanent magnets by atomistic spin model simulations
Nd-$_2$-Fe-$_{14}$-B永磁体随温度变化的磁性能，即，饱和磁化强度$M_\text{s}(T)$、有效磁各向异性常数$K_i^\text{eff}(T)$（$i=1,2,3$）、畴壁宽度$δ_w(T)$和交换刚度常数$A_\text{e}(T)$通过使用\textit{ab-initio}通知的原子自旋模型模拟来计算。利用Fe $-$ Fe和Fe $-$ Nd原子对的Heisenberg交换、Fe原子的单轴各向异性和Nd离子的晶体场能量，构造了Nd $_2$ Fe $_{14}$ B的原子自旋模型哈密顿量。在应用温度重标度策略后，我们表明计算的居里温度，自旋重取向现象，$M_\text{s}(T)$，$δ_w(T)$，和$K_i^\text{eff}(T)$与实验结果吻合良好。$A_\text{e}(T)$是通过映射原子磁矩的宏观磁化的磁畴壁轮廓的一般连续描述估计。发现随着温度的升高，$A_\text{e}$比$K_1^\text{eff}$降低得更慢，并且近似地与归一化磁化成比例为$A_\text{e}(T) \sim m^{1.2}$。这项工作挑起的\textit{ab-initio}计算和Nd-Fe-B永磁体的温度相关的微磁模拟之间的规模桥梁。
2019-06-15 cond-mat.mtrl-sci
Capturing thin-film microstructure contributions during ultrafast laser-metal interactions using atomistic simulations
本研究使用混合双温模型与分子动力学模拟超快激光与不同微结构金薄膜的相互作用，发现晶粒尺寸、拓扑和晶体学取向显著影响晶格无序演化与相变，提出微结构感知的薄膜制造与缺陷工程可提升纳米激光加工精度与能效。
2024-12-22 cond-mat.mtrl-sci
Physics-informed Hamiltonian learning for large-scale optoelectronic property prediction
Technical University of Munich（慕尼黑工业大学）
本文提出HAMSTER框架，通过结合物理启发的近似模型和少量原理计算，实现大规模复杂系统光电子性质的准确预测与可解释性。
2026-02-09 cond-mat.mtrl-sci
Bicrystallography-informed Frenkel-Kontorova model for interlayer dislocations in strained 2D heterostructures
针对扭曲双层石墨烯等二维异质结构，利用Smith标准型双晶学框架推导广义层错能的平移对称性，构建了双晶学信息Frenkel-Kontorova模型，以预测任意二维异质结构中应变孤子和界面位错的形成。
2023-09-12 cond-mat.mes-hall cond-mat.mtrl-sci
Multiscale Modelling of Ferroelectrics using a Physics-Informed Neural Network Driven by Molecular Dynamics Data: Parameter Identification and Field Reconstruction
Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡大学）；Nagoya Institute of Technology（名古屋工业大学）
该研究提出由分子动力学数据驱动的物理信息神经网络，结合自适应梯度归一化实现铁电体多尺度建模，可识别相场模型参数并重建极化等场，为跨尺度材料建模提供有效方法。
2026-08-26 cond-mat.mtrl-sci
Atomistic simulation of barocaloric effects
由于严重的环境问题，迫切需要从目前基于压缩温室气体的制冷方法转向新型固态冷却技术。固态冷却利用了材料对外部场的热响应，称为“热效应”。从技术的角度来看，由流体静压驱动的压热量（BC）效应特别有前途，因为其通常比其他热量变体（例如，分别由磁场和电场驱动的磁热和电热效应）。BC效应的原子模拟代表了一种有效的和物理上有洞察力的策略，通过补充甚至在某些情况下指导实验来推进固态冷却。原子模拟的BC效应涉及的方法范围从计算成本低廉的力场计算非常苛刻，但定量准确，第一原理方法。在这里，我们调查了几种方法和策略，如准谐波近似和直接/准直接估计方法的原子模拟BC效应。该评论最后收集的案例研究中，其中一些方法被用来模拟和预测原始BC的影响。
2022-08-10 cond-mat.mtrl-sci cond-mat.other
From Local Atomic Motifs to Thermodynamic State: An Interpretable Physics-Informed Framework for Cu-Zr Metallic Glasses
Indian Institute of Science（印度科学学院）
本研究提出多任务物理信息神经网络，直接从Voronoi基序预测Cu-Zr金属玻璃温度并分类状态，融合物理梯度约束，实现高精度预测并识别二十面体基序为玻璃态关键指纹。
2026-09-22 cond-mat.mtrl-sci
Training Variation of Physically-Informed Deep Learning Models
Department of Materials Science and Engineering（材料科学与工程系）；The Ohio State University（俄亥俄州立大学）；Center for Integrated Nanotechnologies（集成纳米技术中心）；Sandia National Laboratories（桑迪亚国家实验室）；BlueQuartz Software（BlueQuartz软件公司）；Department of Mechanical and Aerospace Engineering（机械与航空航天工程系）
该研究聚焦物理信息损失函数训练的可靠性问题，以预测高弹性对比度复合材料应力场的Pix2Pix网络为案例，对比多种应力平衡损失函数的训练变异性，提出模型变异性报告的实践建议。
2025-10-03 cond-mat.mtrl-sci cs.LG
Quantifying Free-volume Topology in Atomistic Structures Through a Combination of Voxelization and Graph Theory
我们介绍了一种新的计算方法的识别和表征的自由体积内/周围的原子配置。该方案采用了一个三阶段的工作流程，通过该工作流程，球体在体素内部迭代生长，并最终转换为平面图，然后通过基于图的序参量对其进行表征。我们的方法是计算效率高，物理直观，并普遍转移到任何材料系统。我们的方法的验证是在几组材料问题上进行的：（1）在各种晶相中独特的自由体积的分类，（2）金属/合金中自由体积缺陷的表征，以及（3）在外延生长模拟过程中复杂表面缺陷的自主检测和分类。我们的方法准确地识别和表征独特的自由体积在众多的系统和长度尺度，表明其潜在的未来使用在理解自由体积形态和材料性能之间的关系在静态和动态条件下。
2022-06-16 cond-mat.dis-nn cond-mat.mtrl-sci
Neural operator accelerated atomistic to continuum concurrent multiscale simulations of viscoelasticity
National Center for Computational Sciences, Oak Ridge National Laboratory（橡树岭国家实验室计算科学国家中心）；Department of Engineering, University of Cambridge（剑桥大学工程系）
本文提出一种基于神经算子的协同多尺度框架，通过原子模拟与连续有限元分析耦合，实现黏弹性材料的多尺度模拟。神经算子替代直接分子动力学计算，高效预测应力和内部变量。
2026-08-13 cond-mat.mtrl-sci physics.comp-ph
A Data-Driven Parametric Reduced-Order Chemical Kinetics Model Derived from Atomistic Simulations
School of Materials Engineering and Birck Nanotechnology Center, Purdue University（普渡大学材料工程学院与伯克纳米技术中心）
本文提出一种参数化温度依赖自编码器框架，通过非负约束和softmax激活实现化学分解的降阶描述，同时优化反应动力学和热释放参数，提升重构精度并保持物理意义的潜在表示。
2026-05-05 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Atomistic Modelling of Thermal-Cycling Rejuvenation in Metallic Glasses
金属玻璃在环境温度和低温温度之间的循环可以在更快冷却时诱导玻璃形成的高能态特征。这种再生是出乎意料的，因为它发生在小的宏观应变和远低于热致结构变化的温度，是重要的，例如，在改善塑性。分子动力学模拟阐明了热循环可以诱导弛豫（达到较低的能量）以及再生的机制。经过数十个循环的热循环驱动局部原子重排，逐渐擦除初始玻璃结构。这主要来自于每个热循环中的加热阶段，与金属玻璃中固有的结构异质性有关。虽然，特别是，在MD模拟的时间尺度比在物理实验中短，本模拟再现许多物理观察到的效果，这表明它们可能是有用的，在优化热循环调整金属玻璃和玻璃的性能一般。
2020-12-02 cond-mat.dis-nn cond-mat.mtrl-sci
Stochastic Modeling of Anisotropic Strength Surfaces from Atomistic Simulations
Duke University（杜克大学）
本研究提出了一种从原子模拟中随机建模各向异性强度表面的统一框架，通过降维和概率建模表征石墨烯的强度变化。
2026-02-17 cond-mat.mtrl-sci
Physically founded phonon dispersions of few-layer materials, and the case of borophene
越来越多的理论计算少层材料已报告的非零声速的所有三个声学声子模式。与这些报告相反，在这里，我们表明，原子描述的少层材料的最低声子色散分支应该是二次的，这可能会对计算的性能，如热导率有显着的后果。通过根据内部坐标重新制定原子间力常数（IFC），我们发现IFC之间的微妙平衡是造成这种二次性的原因。这种平衡在从头计算中很难获得，即使所有的对称性都是后验数字化的，但它在我们的方法中自然出现。我们证明了在硼氢化钠的情况下，一个非常微妙的修正从头IFC产生物理正确的二次色散的现象，而其余的光谱几乎不变。然而，这种二次性对计算的晶格热导率有重大影响，在硼氢化物的情况下，热导率变化超过2倍，并且当微妙的IFC校正到位时，反转其各向异性。
2016-01-12 cond-mat.mtrl-sci
Hop-Decorate: An Automated Atomistic Workflow for Generating Defect Transport Data in Chemically Complex Materials
Hop-Decorate提出一种自动化原子级工作流，结合加速分子动力学与重新装饰算法，高效生成化学复杂材料缺陷输运数据，并构建缺陷态图，支持介观模型，在合金和尖晶石氧化物中验证了其有效性。
2025-07-30 cond-mat.mtrl-sci physics.comp-ph
Denoising Diffusion Monte Carlo Electron Densities with Physically Informed Variance Stabilization: From Fourier Filters to 3D UNETs
Brown University（布朗大学）；Oak Ridge National Laboratory（橡树岭国家实验室）
本研究针对扩散蒙特卡洛（DMC）电子密度的统计噪声，利用密度泛函理论密度作为先验，通过方差稳定化的回归方法结合3D UNET等技术去噪，将DMC模拟成本降低10-100倍，为噪声敏感任务提供新途径。
2026-08-11 cond-mat.mtrl-sci quant-ph
Agent-E2MD: Autonomous Translation of Interatomic Potential Equations into Physically Validated Pair Styles for Molecular Dynamics in LAMMPS
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Center for Nanoscale Materials, Argonne National Laboratory（阿贡国家实验室纳米材料中心）
Agent-E2MD提出一种知识引导的智能体工作流，将原子间势方程自动翻译为LAMMPS pair style，并通过七个材料-势组合验证，实现了从模型定义到物理验证的自动化，弥合了AI势发现与生产模拟的鸿沟。
2026-09-23 cond-mat.mtrl-sci
Thermal Conductivity Predictions with Foundation Atomistic Models
本文利用Wigner热输运和Grüneisen热膨胀方法，将基础原子模型与实验可观测热机械性能预测相结合，在103种固体数据库上验证了其克服高成本、低迁移性和缺乏物理认知等瓶颈，可用于热管理及下一代材料发现。
2025-07-10 cond-mat.mtrl-sci physics.app-ph
Atomistic Structure Generation and Neural-Network Screening of Hard Carbons to Identify High-Capacity Sodium Storage
University of Exeter（埃克塞特大学）
本研究结合通用机器学习原子间势与RAFFLE框架生成13096个硬碳模型，训练神经网络代理筛选出容量超800 mAh g⁻¹的高容量钠存储候选材料，建立了硬碳微观结构与钠存储性能的关联。
2026-08-19 cond-mat.dis-nn cond-mat.mtrl-sci physics.comp-ph
A Physics-Informed Chemical Rule for Topological Materials Discovery
Anhui University（安徽大学）
本文提出一种结合组成、轨道和晶体学描述的物理启发化学规则，通过线性框架有效区分相同化学式但不同晶体结构的材料，提升拓扑材料发现的效率与准确性。
2026-04-07 cond-mat.mtrl-sci
Cartesian atomic moment machine learning interatomic potentials
本文提出完全在笛卡尔空间构建机器学习原子间势的CAMP方法，通过原子矩张量与图神经网络结合，在多种体系的分子动力学模拟中实现了与领先模型相当或更优的精度、效率和稳定性。
2025-05-02 cond-mat.mtrl-sci
An atomistic approach for modeling of polarizability and Raman scattering of water clusters and liquid water
本研究开发了结合单体GBPM模型与分子间相互作用衰减函数基组的原子级极化率建模框架，可准确预测水团簇和液态水的拉曼光谱，且具有高迁移性，为相关体系MD模拟的拉曼光谱高效建模提供了可行路径。
2025-03-19 cond-mat.mtrl-sci physics.chem-ph
Introducing physics-informed generative models for targeting structural novelty in the exploration of chemical space
University of Liverpool（利物浦大学）；Leverhulme Research Centre for Functional Materials Design（利弗休姆功能材料设计研究中心）
本文提出物理指导的生成模型，用于在化学空间中寻找结构新颖的材料，通过结合局部环境多样性和紧凑性来平衡物理合理性和新颖性。
2025-12-12 cond-mat.mtrl-sci cs.LG
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
Reactivity-Informed Machine Learning for Performance Prediction and Design Space Exploration of Alkali-Activated Slag
Department of Civil and Environmental Engineering, Rice University（Rice大学土木与环境工程系）；Rice Advanced Materials Institute, Rice University（Rice大学先进材料研究所）；Ken Kennedy Institute, Rice University（Rice大学肯尼迪研究所）
通过整合矿渣反应性描述符（AMODE）与机器学习，从最大规模文献数据集预测碱激发矿渣抗压强度，揭示物理一致趋势并探索低碳设计空间。
2026-06-04 cond-mat.mtrl-sci cs.LG
Symmetry-Informed Deep Learning for Electromagnetic Scattering
Chalmers University of Technology（查尔姆斯理工大学）
研究电磁散射建模中数据效率瓶颈问题），利用麦克斯韦方程组等变性获变换规则，实现数据增强与等变神经网络构建，在光子晶体平板等上验证有效性，提高数据效率，为物理建模提供框架，确立对称性为统一归纳偏差。
2026-07-16 cond-mat.mtrl-sci physics.comp-ph physics.optics
Non-classical nucleation of zinc oxide from a physically-motivated machine-learning approach
观察非经典的成核途径仍然具有挑战性的复杂材料的模拟技术的利益。这是因为它需要非常精确的力场，可以捕获其潜在的原子间相互作用的整个复杂性和先进的结构分析。在这里，我们首先报告了使用物理LassoLars相互作用势方法构建氧化锌相互作用的机器学习力场，该方法使我们即使对于未经训练的结构也可以预测。然后，我们从液体中进行了冷冻模拟，并以原子级精度观察了晶体的形成。我们的研究结果，这是使用数据驱动的方法进行分析的基础上键序参量，证明存在两个prenucleation集群和两步成核的情况下，从而检索开创性的预测非经典的成核途径上更简单的模型。
2022-08-09 cond-mat.mtrl-sci cond-mat.soft cond-mat.stat-mech
Lossless Multi-Scale Constitutive Elastic Relations with Artificial Intelligence
Max-Planck-Institut für Eisenforschung（马克斯·普朗克钢铁研究所）；Technische Universität Darmstadt（达姆施塔特工业大学）；DeepMetis
材料的弹性性质来自于它们的电子和原子性质。然而，在这些尺度下完全模拟散装材料是不可行的，因此通常使用均匀连续描述。到目前为止，在这两个尺度之间的材料的弹性响应的本构描述的无缝和无损的过渡一直难以捉摸。在这里，我们将展示如何通过使用人工智能（AI）来克服这个问题。卷积神经网络（CNN）模型的训练，通过采取的纳米多孔材料的结构图像作为输入和相应的弹性张量，从分子静力学（MS）计算，作为输出。通过原子数据的训练，CNN模型捕获了材料弹性特性的尺寸和孔隙依赖性，在物理方面，这可能源于表面和非局部效应。在从原子论到经典连续统理论的升级过程中，这种效应常常被忽略。为了证明训练的CNN模型的准确性和效率，将配备有CNN作为本构律的弹性变形纳米多孔梁的基于有限元方法（FEM）的结果与通过全原子模拟的结果进行比较。对于具有尺寸和表面效应的系统，原子模拟和FEM-AI组合之间的良好一致性为此类问题建立了一种新的无损尺度桥接方法。训练的CNN模型在孔隙率高达90%的情况下偏离原子结果9.6%，但它比MS计算快约230倍，并且不需要在不同尺度之间改变模拟方法。CNN评估的效率以及重要原子效应的保留使得训练的模型成为用于纳米多孔材料的宏观模拟和逆问题的求解的有效原子信息本构模型。
2021-08-05 cond-mat.mes-hall cond-mat.mtrl-sci cs.LG
Permutation invariant neural network prediction of vacancy formation under deformation and varying chemical environment in FCC high entropy alloys
Oak Ridge National Laboratory（橡树岭国家实验室）
本研究开发了一种排列不变性机器学习框架，可高效预测面心立方高熵合金中不同变形及化学环境下的空位形成能，为多尺度合金模型提供了高效途径。
2026-08-10 cond-mat.dis-nn cond-mat.mtrl-sci physics.comp-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
A physics-informed neural network for quantifying the microstructure properties of polycrystalline Nickel using ultrasound data
我们采用物理信息神经网络（PINNs），通过计算材料的顺应性系数（压缩性，刚度和刚度）的空间变化来量化多晶镍的微观结构。PINN的监督与现实的超声波表面声波场数据采集的超声波频率为5 MHz的多晶材料。超声波场数据被表示为材料的顶表面上的变形，该变形使用激光测振法测量。超声波数据进一步补充了使用基于有限元的求解器生成的波场数据。神经网络的物理通知的平面内和平面外的弹性波方程和它的收敛加速使用自适应激活功能。这项工作的首要目标是使用PINN来推断材料的顺应性系数的空间变化，对于超声，PINN涉及弹性波的空间变化速度。更广泛地说，由此产生的PINN为基础的代理模型显示了一个很有前途的方法来解决不适定的反问题，经常遇到的材料的非破坏性评估。
2021-10-05 cond-mat.mtrl-sci physics.comp-ph
Why Physics Still Matters: Improving Machine Learning Prediction of Material Properties with Phonon-Informed Datasets
Department of Physics, Universitat Politècnica de Catalunya, 08034 Barcelona, Spain（物理系，巴塞罗那理工大学）；Research Center in Multiscale Science（多尺度科学研究中心）；Department of Electronic Engineering, Universitat Politècnica de Catalunya, 08034 Barcelona, Spain（电子工程系，巴塞罗那理工大学）；Institute of Industrial Science, The University of Tokyo, Tokyo 153-8505, Japan（工业科学研究所，东京大学）
本研究对比随机构型与声子物理信息采样数据集训练的GNN模型，在有限温度光电子材料性质预测任务中，发现后者以更少数据点取得更优性能，证明物理引导的数据生成可高效构建高质量训练集，提升材料性质预测效果。
2025-11-19 cond-mat.mtrl-sci cs.LG
Physics-Informed Symbolic Regression for Predicting the Glass Transition Temperature of Alkali Borate Glasses
Federal University of Sergipe（塞尔希培联邦大学）；Federal University of Lavras (UFLA)（拉夫拉斯联邦大学）；Federal University of Bahia（巴伊亚联邦大学）；Brazilian Center for Research in Energy and Materials (CNPEM)（巴西能源与材料研究中心）
针对碱金属硼酸盐玻璃$T_g$难预测的问题，本研究采用物理启发符号回归推导了具物理可解释性的$T_g$闭式表达式，验证了参数物理一致性，明确了模型不确定性与硼异常的关联，为玻璃性能预测提供了新的透明建模方案。
2026-08-18 cond-mat.mtrl-sci cond-mat.soft
Physics-informed neural network for predicting fatigue life of unirradiated and irradiated austenitic and ferritic/martensitic steels under reactor-relevant conditions
Extreme Environments Materials Group (EEMG), Department of Materials Engineering, Indian Institute of Science (IISc)（极端环境材料组（EEMG）、材料工程系、印度科学研究院（IISc））；Department of Materials, University of Oxford（材料系、牛津大学）；Robert Bosch Centre for Cyberphysical Systems, Indian Institute of Science (IISc)（罗伯特·博世网络物理系统中心、印度科学研究院（IISc））
本文提出了一种具有物理信息的神经网络框架，用于预测核反应堆中奥氏体和铁素体/马氏体钢的低周疲劳寿命。该框架通过嵌入疲劳寿命的物理约束到损失函数中，提高了预测的准确性、可靠性和通用性。
2026-03-19 cond-mat.mtrl-sci cs.LG
