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
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
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
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 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
Machine-learned model Hamiltonian and strength of spin-orbit interaction in strained Mg2X (X = Si, Ge, Sn, Pb)
机器学习的多轨道紧束缚(MMTB)哈密顿模型已经被开发来描述金属间化合物$\rm Mg_2Si, Mg_2Ge, Mg_2Sn$和$\rm Mg_2Pb$受应变的电子特性。的MMTB模型纳入自旋轨道介导的相互作用,并校准到通过密度泛函理论(DFT)计算的电子能带结构的大规模并行化的多维蒙特卡罗搜索算法。结果表明,机器学习的五带紧束缚模型再现了整个布里渊区价带结构的关键方面。五带模型揭示了压缩应变使$\rm Mg$的$3s$轨道对导带的贡献和$\rm X~(X=Si,Ge,Sn,Pb)$的外壳层$p$轨道对价带的贡献局部化。相反,拉伸应变具有相反的效果,因为它削弱了$\rm Mg$的$3s$轨道和$\rm X$的外壳层$p$轨道分别对导带和价带的贡献。与遵循层级$|σ_{sp}|>|σ_{pp}|>|σ_{ss}|$的$σ$键合组分相比,$\rm Mg_2X$化合物中的$π$键合可忽略不计,并且对应变的最大变化属于$σ_{pp}$。五带模型允许估计$\rm Mg_2X$中的自旋轨道耦合(SOC)的强度,并获得其对$\rm X$的原子序数和应变的依赖性。此外,能带结构的计算表明,由于应变显着的带隙调谐和带分裂。$-10\%$的压缩应变可以打开金属$\rm Mg_2Pb$中的$Γ$点处的带隙,而$+10\%$的拉伸应变关闭$\rm Mg_2Si$的半导体带隙。$+5\%$的拉伸应变消除了…
2022-07-01 cond-mat.mes-hall cond-mat.mtrl-sci physics.app-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
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
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
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
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
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
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
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
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
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
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
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
Construction of Machine Learned Force Fields with Quantum Chemical Accuracy: Applications and Chemical Insights
高度精确的力场是生成预测模拟的强制性要求。在这里,我们通过讨论从生成参考计算数据集到构建机器学习模型的分层路径,以及验证模型生成的物理过程,提出了构建机器学习分子力场的路径。我们将使用对称梯度域机器学习(sGDML)框架,因为它能够以高精度重建复杂的高维势能面(PES),即使只使用几百个分子构象进行训练。sGDML模型的数据效率允许使用用基于高水平波函数的方法计算的参考原子力,例如具有单、双和微扰三重激发的$gold$ $standard$耦合簇方法(CCSD(T))。我们证明了sGDML框架的灵活性捕获本地和非本地的电子相互作用(例如氢键,孤对,空间排斥,杂交状态的变化(例如$sp^2 \rightleftharpoons sp^3$),$n\toπ^*$相互作用和质子转移),而不施加任何限制的性质原子间的潜力。在不同理论水平(例如密度泛函理论和CCSD(T))下针对不同分子结构训练的sGDML模型的分析提供了更高理论水平产生更平滑PES的经验证据。此外,仔细分析分子动力学模拟产生新的定性的见解接近光谱精度的小分子的动力学和振动光谱。
2019-09-18 cond-mat.mtrl-sci physics.atm-clus physics.chem-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
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
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
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
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
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
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
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