Machine learning interatomic potentials for reactive hydrogen dynamics at metal surfaces based on iterative refinement of reaction probabilities
针对金属表面氢反应动力学，提出基于集成学习和不确定性量化的迭代精化方法，生成训练数据并评估机器学习势，揭示SchNet模型特征表示的缺陷。
2023-11-16 physics.chem-ph
Benchmarking of machine learning interatomic potentials for reactive hydrogen dynamics at metal surfaces
本文针对金属表面反应性氢动力学，基准测试了PaiNN、REANN、MACE和ACE等机器学习原子间势在准确性、求解时间及模拟反应粘附概率方面的表现，发现REANN和MACE模型在准确性与效率间平衡最佳。
2024-03-22 physics.chem-ph
Fully First-Principles Surface Spectroscopy with Machine Learning
本文结合高维神经网络原子间势与对称自适应高斯过程回归，提出以从头算精度模拟水/空气界面VSFG光谱的第一性原理机器学习方案。
2023-05-16 physics.chem-ph
Application of DFTB and machine learning to evaluate the stability of biomass intermediates on the Rh(111) surface
吸附在表面上的生物质化合物是具有挑战性的研究，由于大量的可能的物种和吸附几何形状。本文研究了赤藓糖、甘油醛、甘油和丙酸在Rh（111）表面上的可能中间体。中间体和基元反应由递归键断裂算法的前2个递归生成。这些结构被用作无监督Mol2Vec算法的输入以生成矢量描述符。一个数据驱动的计划来分类的反应和吸附能进行预测。吸附能预测的最低平均绝对误差（MAE）为0.39 eV，不同表面吸附几何构型的相对有序性比较准确.我们表明，将密度泛函紧束缚（DFTB）计算的几何形状与机器学习预测的能量相结合，为快速评估Rh（111）表面上各种分子几何形状的稳定性提供了一种新的工作流程。
2021-05-26 cond-mat.mtrl-sci physics.chem-ph
Structure-based Sampling and Self-correcting Machine Learning for Accurate Calculations of Potential Energy Surfaces and Vibrational Levels
我们提出了一种有效的方法，用于生成高精度的分子势能面（PES）使用自校正，核岭回归（KRR）的机器学习（ML）。我们引入了基于结构的采样自动分配核配置从一个预定义的网格的训练和预测集，分别。精确的高级\textit{ab initio}能量只需要训练集中的点，而其余点的能量由ML模型提供，计算成本可以忽略不计。所提出的采样过程被证明优于随机采样，并且还消除了训练多个ML模型的需要。已经实现了自校正机器学习，使得每一个附加层都能校正前一层的错误。我们的方法的性能证明在一个案例研究中发表的高水平\textit{ab initio} PES的氯甲烷与44,819点。ML模型在不同大小的集合上进行训练，然后用于在几秒钟内预测数万种核配置的能量。所得数据集被用于CH $_3$ Cl的振动能级的变分计算。通过使用基于结构的采样和自校正，训练集的大小可以保持较小（例如，10%的点），而不会有任何显著的准确性损失。因此，在\textit{ab initio}振转光谱中，通过基于结构的采样和基于自校正KKR的机器学习，可以将计算成本高的电子结构计算的数量减少高达90%。
2018-08-17 physics.chem-ph
Introduction to machine learning potentials for atomistic simulations
本文系统介绍了机器学习势能的发展历程、核心方法（如HD-NNPs和GAP）及实际应用，并提供开发指南、开源资源和展示案例，旨在降低使用门槛并推动原子模拟边界。
2024-10-01 physics.chem-ph
Toward Machine Learning Enhancement of Accelerated Surface Hopping with Scaled Spin--Orbit Couplings
Xiamen University（厦门大学）
本文通过放大自旋-轨道耦合加速表面跃迁方法，利用机器学习模型提高计算效率和可靠性，评估了不同群体拟合方法和外推技术。
2026-09-09 physics.chem-ph
MLatom software ecosystem for surface hopping dynamics in Python with quantum mechanical and machine learning methods
本文提出开源MLatom@XACS软件生态系统，通过Python API结合量子力学与机器学习方法实现基于LZBL算法的实时面跳跃非绝热动力学，并提供AIQM1模型和自动化脚本，以低成本高效模拟光化学过程。
2024-04-09 physics.chem-ph
Absolute standard hydrogen electrode potential and redox potentials of atoms and molecules: machine learning aided first principles calculations
本研究针对第一性原理难以准确预测电极电势的问题，结合机器学习力场、Δ-机器学习模型与热力学方法实现相空间采样，用含25%精确交换的杂化泛函准确预测绝对标准氢电极电势及7类氧化还原电对的电势，平均误差仅80 mV。
2024-09-17 physics.chem-ph
Machine learning potentials for complex aqueous systems made simple
基于准确和有效的势能面表示的模拟技术是迫切需要了解复杂的水系统，如固-液界面。在这里，我们提出了一个机器学习框架，可以有效地开发和验证复杂水溶液系统的模型。我们建议在一个简单且用户友好的过程中开发适用于特定热力学状态点的模型，而不是试图提供全局最优的机器学习潜力。在初始从头算模拟之后，通过数据驱动的主动学习协议以最少的人力来构建机器学习潜力。这样的模型之后可以应用于详尽的模拟，为手头的科学问题提供可靠的答案。我们展示了这种方法在一组不同的水系统的复杂程度不断增加。这里选择的系统包括在溶液中具有不同离子的本体水、在钛白表面上的水以及限制在纳米管中和二硫化钼片之间的水。突出我们的方法相对于基本的从头算参考的准确性，所得到的模型进行了详细评估与自动验证协议，包括结构和动力学特性和模型的力预测的精度。最后，我们展示了我们的方法的描述水的金红石型钛白（110）表面上的能力，以分析该表面上的水的结构和流动性。这样的机器学习模型为复杂系统提供了一种简单、不复杂但精确的模拟时间和长度扩展。
2021-09-14 physics.chem-ph
Machine learning surrogate models for particle insertions and element substitutions
本文提出两种机器学习辅助热力学积分方法（粒子插入及粒子插入结合元素替换），通过机器学习势与第一性原理势之间的误差校正，准确计算水中质子、碱金属阳离子和卤化物阴离子的化学势，并验证了两种路径结果一致且与实验吻合。
2024-10-04 physics.chem-ph
Excitation Energy Transfer between Porphyrin Dyes on a Clay Surface: A study employing Multifidelity Machine Learning
本研究通过多保真度机器学习结合QM/MM方法，模拟卟啉在黏土表面的激发能转移，利用640K几何构型预测激发能，证明卟啉-黏土系统可作为高效能量转移系统。
2025-01-20 physics.chem-ph
Challenges for Machine Learning Force Fields in Reproducing Potential Energy Surfaces of Flexible Molecules
柔性分子的动力学通常由局部化学键波动与长程静电和范德华相互作用驱动的构象变化之间的相互作用决定。这种相互作用之间的相互作用产生复杂的势能面（PES）与多个极小值和过渡路径之间。在这项工作中，我们评估了最先进的机器学习（ML）模型，即sGDML，SchNet，GAP/SOAP和BPNN的性能，以重现这种PES，同时使用有限的参考数据。作为一个基准，我们使用的顺反热弛豫在偶氮苯分子，其中至少有三种不同的过渡机制应被考虑。虽然GAP/SOAP，SchNet和sGDML模型可以在不到1000个训练点的情况下在全球范围内实现1 kcal mol-1的化学精度，但预测在很大程度上取决于所使用的ML方法以及正在采样的PES的局部区域。在给定的ML方法中，可以发现接近平衡和过渡区域的预测之间以及不同的过渡机制之间存在很大的差异。我们确定了ML模型在学习远程交互方面面临的关键挑战以及常用的基于原子的描述符的内在局限性。总而言之，我们的研究结果表明，从在单个模型中学习整个PES切换到使用多个局部模型，这些模型具有针对复杂PES不同部分的优化描述符、训练集和架构。
2021-03-01 physics.chem-ph
Locating Ab Initio Transition States via Approximate Geodesics on Machine Learned Potential Energy Surfaces
Stanford University（斯坦福大学）；SLAC National Accelerator Laboratory（SLAC国家加速器实验室）
本文提出通过机器学习势能面的测地线路径生成过渡态猜测，减少从头计算需求并加速结构优化。
2025-07-29 physics.chem-ph
Machine learning the quantum flux-flux correlation function for catalytic surface reactions
构建了有机多相催化表面反应的全量子通量-通量关联函数和反应速率常数数据集。高斯过程回归器被成功地拟合到训练数据中，以预测先前看不见的测试集反应速率常数产物和通量-通量关联函数的柯西拟合。最佳回归预测的平均绝对百分比误差的顺序为0.5%的测试集反应速率常数产品和1.0%的测试集通量-通量关联函数。高斯过程回归是准确的动力学在新的温度和以前看不见的反应的反应性，并提供了一个显着的加速方面的计算要求的时间传播的通量-通量关联函数。
2022-06-03 physics.chem-ph physics.comp-ph
Machine-Learning-Accelerated Surface Exploration of Reconstructed BiVO$_{4}$(010) and Characterization of Their Aqueous Interfaces
本研究结合机器学习原子间势主动学习与全局优化的计算工作流，探索BiVO₄(010)重构表面，发现494种新结构，首次理论观测到富Bi重构表面自发水分解，为PEC系统界面研究提供新框架。
2024-12-11 cond-mat.mtrl-sci physics.chem-ph
Molecular Fingerprints of Ice Surfaces in Sum Frequency Generation Spectra: a First Principles Machine Learning Study
本研究结合机器学习势函数与从头算训练的偶极矩、极化率模型计算空气—冰界面SFG光谱，揭示Ice Ih表面的质子有序结构及峰位归属和次表层贡献。
2024-10-25 cond-mat.soft physics.chem-ph
An Atomistic Machine Learning Package for Surface Science and Catalysis
Stanford University（斯坦福大学）；SUNCAT Center for Interface Science and Catalysis（SUNCAT界面科学与催化中心）
我们目前的工作流程和软件模块的机器学习模型建立在表面科学和多相催化。这包括从3D结构和/或连接性信息指纹识别原子结构，它包括描述符选择方法和基准，并且它包括用于原子结构优化的主动学习框架，加速筛选研究和用于探索纳米颗粒的结构空间，这些都是与表面科学和多相催化相关的原子结构问题。我们的总体目标是提供一个存储库，以简化催化的机器学习模型构建，使模型超越用户的化学直觉，并提高探索化学空间的自主性。
2019-04-01 cs.LG physics.chem-ph physics.comp-ph
Machine-learned exchange-correlation functionals for molecules, solids, and reactive surfaces
Harvard University（哈佛大学）；Massachusetts Institute of Technology（麻省理工学院）；Robert Bosch LLC Research and Technology Center（罗伯特博世有限责任公司研究与技术中心）；Initiative for Computational Catalysis, Flatiron Institute（计算催化倡议，平顿研究所）
该研究针对传统密度泛函近似的缺陷，提出机器学习结合物理信息描述符的CIDER26SS泛函，解决CO/Pt难题，对分子、固体及过渡金属表面体系预测精度优异且可迁移性强。
2026-10-30 cond-mat.mtrl-sci physics.chem-ph
Design, Assessment, and Application of Machine Learning Potential Energy Surfaces
University of Basel（巴塞尔大学）；Freie Universität Berlin（柏林自由大学）；Heidelberg University（海德堡大学）
本文概述了构建和使用机器学习势能面的概念、方法与建议，聚焦实用问题，并通过Alanine-Lysine-Alanine三肽非反应性动力学和DNA碱基对双质子转移反应两个生物分子系统展示了原理应用。
2025-11-02 physics.chem-ph physics.comp-ph q-bio.BM
Machine-learning based prediction of small molecule -- surface interaction potentials
预测小分子对目标表面的吸附亲和力对于从催化到药物输送和人类安全的一系列领域都很重要，但在考虑周围介质的影响时，通过计算执行是一项复杂的任务。我们提出了一个灵活的机器学习方法来预测潜在的平均力（PMFs）和吸附能的化学表面对从单独的相互作用势的每个合作伙伴与一组探针原子。我们使用一个预先存在的图书馆的PMF获得通过原子分子动力学的各种无机材料和分子的训练模型。我们在训练组和验证组中发现原始PMF和预测PMF之间存在良好的一致性，证实了这种方法的预测能力，并通过为训练集之外的分子和表面产生PMF来证明模型的灵活性。
2022-11-15 cond-mat.mtrl-sci physics.bio-ph physics.chem-ph
Exploring accurate potential energy surfaces via integrating variational quantum eigensovler with machine learning
势能面（PES）是解释各种化学反应过程的关键。然而，预测准确的PES与高层次的电子结构方法是一项具有挑战性的任务，由于高计算成本。作为量子计算的一个有吸引力的应用，我们在这项工作中表明，变分量子算法可以与机器学习（ML）技术相结合，作为一个有前途的计划，探索准确的PES。与使用ML模型表示势能不同，我们将分子几何信息编码到深度神经网络（DNN）中，用于表示变分量子本征求解器（VQE）的参数，将PES留给波函数分析器。一旦DNN模型被训练，就避免了阻碍VQE应用于复杂系统的变分优化过程，从而显著加速了PES的评估。数值结果表明，一个简单的DNN模型是能够重现准确的PES的小分子。
2022-06-08 physics.chem-ph quant-ph
Machine Learning with bond information for local structure optimizations in surface science
吸附系统的局部优化固有地涉及不同的尺度：在基质内，在分子内，以及在分子和基质之间。在这项工作中，我们展示了这些系统中债券的不同特征的显式建模如何提高机器学习方法的优化性能。我们在高斯过程回归框架中引入了一个各向异性的内核，该内核指导了对局部最小值的搜索，并且我们在不同类型的原子系统中显示了其整体良好的性能。该方法显示了最快的标准优化吸附系统的方法相比，一个因素的两个加速。此外，我们表明，一个有限的内存方法不仅有利于整体计算资源，但可以导致进一步减少能源和力的计算。
2020-10-19 physics.chem-ph physics.comp-ph
Investigating CO Adsorption on Cu(111) and Rh(111) Surfaces Using Machine Learning Exchange-Correlation Functionals
针对CO吸附难题中GGA泛函的缺陷及杂化泛函成本高的问题，本研究采用DeePKS方法训练机器学习交换关联泛函，在Cu(111)和Rh(111)表面实现了接近HSE06的吸附预测精度，为低成本高精度催化剂探索提供了新路径。
2025-07-29 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Machine learning exploration of binding energy distributions of H2O at astrochemically relevant dust grain surfaces
Aarhus University（奥胡斯大学）
本研究利用机器学习建模，探索了尘埃颗粒表面水分子的结合能分布，揭示了不同表面性质对冰形貌和结合能的影响，为星化学模型提供了新的物理输入。
2026-02-11 astro-ph.GA physics.chem-ph
Bayesian machine learning for quantum molecular dynamics
本文讨论了贝叶斯机器学习在量子分子动力学中的应用。这里所提倡的量子动力学的一个特殊公式是薛定谔方程的机器学习模拟器。如果与贝叶斯统计相结合，这样的模拟器不仅可以获得量子预测，而且还可以获得与输入到核薛定谔方程中的不确定性（例如势能面或非绝热耦合）相关的动力学结果的误差条。贝叶斯机器学习不将原子视为在给定势能面上经历动力学，而是允许人们将问题公式化为具有势能面的非参数分布的薛定谔方程，该非参数分布由所需的动力学性质（例如实验测量）决定。薛定谔方程解的机器学习模型可以识别动力学性质对势面不同部分、碰撞能量、角动量、外部场参数和用于计算的基组的敏感性。这可以用来通知有效的量子动力学计算的设计。机器学习模型还可以用于将严格的结果与近似计算相关联，从而提供精确结果的精确插值。最后，有证据表明，有可能建立贝叶斯机器学习模型，能够物理外推薛定谔方程的解。这是特别有价值的，因为这样的模型可以补充常见的发现工具，以探索在严格的量子计算或实验无法访问的哈密顿参数下的物理特性，并可能用于加速核薛定谔方程的数值积分。
2019-05-13 physics.chem-ph physics.comp-ph
Machine Learning Accelerated Computational Surface-Specific Vibrational Spectroscopy Reveals Oxidation Level of Graphene in Contact with Water
State Key Laboratory of Physical Chemistry of Solid Surfaces, iChEM, College of Chemistry and Chemical Engineering, Discipline of Intelligent Instrument and Equipment, Xiamen University（厦门大学化学化工学院物理化学固体表面国家重点实验室）；Pen-Tung Sah Institute of Micro-Nano Science and Technology, Xiamen University（厦门大学彭唐沙微纳科学技术研究院）；Institute of Artificial Intelligence, Xiamen University（厦门大学人工智能研究院）
本研究利用机器学习和第一性原理计算揭示石墨烯氧化对界面水结构的影响，通过振动光谱变化表征氧化程度，为催化和电化学领域提供新的研究视角。
2025-07-01 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Machine Learning Potential Repository
本文介绍了一个机器学习潜力库，其中包括帕累托最优的机器学习潜力。它还展示了广泛的基本系统的准确和快速机器学习潜力的系统开发。因此，许多帕累托最优机器学习潜力在网站的存储库中可用。因此，该库将帮助许多科学家进行准确和快速的原子模拟。
2020-07-27 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Machine Learning Potentials: A Roadmap Toward Next-Generation Biomolecular Simulations
Universitat Pompeu Fabra（庞培法布拉大学）；Acellera Therapeutics；ICREA
本文探讨了机器学习势作为跨尺度分子模拟的统一框架，如何显著提升复杂分子系统的准确性与可扩展性，并指出了在化学生物学领域实现其变革潜力需解决的关键挑战。
2024-08-17 cs.LG physics.chem-ph
Computing Surface Reaction Rates by Adaptive Multilevel Splitting Combined with Machine Learning and Ab Initio Molecular Dynamics
计算在给定材料表面发生的催化事件的准确速率常数代表了具有多种化学潜在应用的具有挑战性的任务。为了解决这个问题，我们提出了一种方法的基础上的罕见事件的抽样方法称为自适应多级分裂（AMS）和从头算分子动力学（AIMD）的组合。AMS方法需要一个一维反应坐标来指示转变的进程。确定一个好的反应坐标是困难的，特别是对于高维问题，如那些在催化中遇到的。我们探索各种方法来建立反应坐标，如支持向量机和路径集体变量。AMS被实现为与DFT平面波代码通信。在催化相关的案例研究：构象的变化和解离的水分子化学吸附在（100）$γ$ -氧化铝表面上被用来评估我们的方法。计算的速率常数和过渡机制进行了讨论和比较，通过传统的静态方法的基础上的Eyring-Polanyi方程与谐波近似。据透露，AMS方法可以提供速率常数小于静态的方法，由两个数量级，由于参与的化学吸附水的熵效应。
2023-03-10 cond-mat.stat-mech physics.chem-ph
Data-driven construction of machine-learning-based interatomic potentials for gas-surface scattering dynamics: the case of NO on graphite
Univ. Lille, CNRS, UMR 8523 – PhLAM – Physique des Lasers Atomes et Molécules（里尔大学，法国国家科学研究中心，UMR 8523 – PhLAM – 物理激光原子分子研究所）
本文提出一种数据驱动方法，利用NO在石墨上的散射作为基准系统，构建机器学习互原子势能面，通过主动学习策略提高效率，实现大规模分子动力学模拟，揭示吸附能、散射概率等关键特性。
2026-03-19 cs.LG physics.chem-ph
Hessian-Informed Conformation Augmentation for Potential Energy Surface Curvature in Machine Learning Interatomic Potentials
该研究针对机器学习原子间势未充分利用海森矩阵信息的问题，提出两种基于海森矩阵的构象增强方案，实现即插即用集成并提升模型精度。
2026-10-14 cs.LG physics.chem-ph
Smite: A quasiclassical trajectory (QCT) program for bimolecular collisions and unimolecular dynamics on ab-initio, and machine-learned potential energy surfaces
Belgian Institute for Space Aeronomy (BIRA-IASB)（比利时空间气旋研究所）；Department of Chemistry, KU Leuven（荷语鲁汶大学化学系）
Smite是一个Python准经典轨迹工具包，用于双分子碰撞和单分子动力学模拟，支持多种初始条件制备、多种势能面及表面跳跃等高级功能。
2026-10-01 physics.chem-ph quant-ph
Outlier-Detection for Reactive Machine Learned Potential Energy Surfaces
University of Basel（巴塞尔大学）
本文针对反应性分子势能面，比较集成模型、深度证据回归和高斯混合模型三种不确定性量化方法检测离群点的效果，发现集成模型最优，并提出一种基于结构的指标用于快速筛选有利于神经网络改进的结构。
2024-02-27 cs.LG physics.chem-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
Decoding Crystallographic Surface Chirality from Real Space and Momentum Space Images by Machine Learning
Prayoga Institute of Education Research（普拉约加教育研究机构）；RPTU University Kaiserslautern-Landau（凯泽斯劳滕-兰道理工大学）；University of Augsburg（奥格斯堡大学）
提出双域机器学习框架，通过原子模型和费米面投影图像解码晶体表面手性，在费米面投影上达到~99%分类精度，并可直接迁移至实验图像。
2026-09-14 cond-mat.dis-nn cond-mat.mtrl-sci physics.chem-ph
Machine Learning Exchange-Correlation Potential in Time Dependent Density Functional Theory
我们提出了一种基于机器学习的方法来开发时间依赖密度泛函理论（TDDFT）的交换相关势。利用少量的电子-氢散射模型数据，训练神经网络从随时间变化的电子密度映射到随时间变化的Kohn-Sham方程中相应的关联势.我们证明，这种神经网络势可以捕获复杂的结构在散射过程中的时间相关势，并提供正确的散射概率，这是不是由标准的绝热泛函。我们还表明，有可能将非绝热（或记忆）效应与这种机器学习技术的潜力，这显着提高了动态的准确性。该方法为提高TDDFT的交换关联势提供了一种新的途径，使TDDFT理论成为研究各种激发态现象的有力工具。
2020-04-16 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
Application of machine learning potentials to predict grain boundary properties in fcc elemental metals
精确的原子间相互作用势是大规模原子模拟材料的高要求，这是昂贵的密度泛函理论（DFT）计算。在这项研究中，我们将最近构建的知识库中的机器学习潜力应用于面心立方元素金属中晶界能的预测，即，Ag、Al、Au、Cu、Pd和Pt。机器学习潜力的系统应用表明，它们使我们能够准确地预测晶界结构及其能量。尽管在本MLP的训练数据集中没有包括晶界结构，但由MLP预测的晶界能与DFT计算的晶界能一致。
2020-08-13 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Accurate Surface and Finite Temperature Bulk Properties of Lithium Metal at Large Scales using Machine Learning Interaction Potentials
Carnegie Mellon University（卡内基梅隆大学）；Harvard University（哈佛大学）；Google Research（谷歌研究院）
针对锂金属性质难实验探测且计算成本高的问题，本研究基于DFT数据训练MLIPs，在宏观尺度上高精度预测了热力学、声子谱及表面等性质，并揭示了高Miller指数晶面的自吸附能与表面扩散势垒间的Bell-Evans-Polanyi关系。
2023-05-22 cond-mat.mtrl-sci cs.LG physics.chem-ph
${\it Asparagus}$: A Toolkit for Autonomous, User-Guided Construction of Machine-Learned Potential Energy Surfaces
University of Basel（巴塞尔大学）；Heidelberg University（海德堡大学）
本文介绍Asparagus软件包，它整合数据采样、从头算接口、模型训练与评估，实现自主用户引导的ML势能面构建，降低使用门槛，并支持模块化扩展。
2024-07-21 cs.CE cs.LG physics.chem-ph
