Diffusion-based Generative Machine Learning Model for Predicting Crack Propagation in Aluminum Nitride at the Atomic Scale
Purdue University(普渡大学)
本文提出一种基于扩散的生成机器学习模型,用于预测氮化铝中原子尺度的裂纹扩展,通过仅使用初始微观结构嵌入进行条件预测,实现了快速且准确的动态断裂过程模拟,包括应力驱动的裂纹萌生、裂纹分叉和原子尺度的桥接连接。
2026-03-13 cond-mat.mtrl-sci cs.LG
Diffusion Mechanisms in Li$_{0.5}$CoO$_2$ -- A Computational Study
的顺序效应发生在Li $_{x}$ CoO $_{2}$在$x=0.5$的原子论研究提出和解释的计算和实验观察到的浸在锂扩散率提出。其中模拟以线性或锯齿形图案布置的单个半填充Li层。据发现,最低能量的阶段是锯齿形图案,而不是目前被认为是最低能量的线性排列。原子的相互作用建模的DFT水平的精度和锂离子扩散的能量障碍确定从搜索一阶鞍点上得到的势能面。所确定的鞍点显示,扩散的障碍平行和垂直的锯齿形阶段显着不同,并解释所观察到的下降扩散率。
2015-11-23 cond-mat.mtrl-sci
Predicting Grain Boundary Segregation in Magnesium Alloys: An Atomistically Informed Machine Learning Approach
本研究结合原子模拟与机器学习,预测镁合金晶界偏析,发现Nd偏析显著,为轻质镁合金设计提供新途径。
2025-03-30 cond-mat.mtrl-sci
Predicting the Structural, Electronic and Magnetic Properties of Few Atomic-layer Polar Perovskite
采用密度泛函理论(DFT)计算方法预测了极性钙钛矿$KTaO_{3}$为母体的电中性或带电少原子层(AL)氧化物的结构、电子和磁性。它们的性质随AL($n_{AL}$)的数量和化学计量比的变化而变化很大。在少铝极限($n_{AL}\leqslant 14$)中,具有化学式$(KTaO_{3})_{n}$的偶数铝(EL)系统是半导体,而具有化学式($K_{n+1}Ta_{n}O_{3n+1}$或$K_{n}Ta_{n+1}O_{3n+2}$)的奇数铝(OL)系统是半金属,除了独特的$KTa_{2}O_{5}$情况之外,该情况由于大的佩尔斯畸变而为半导体。当达到一定的临界厚度($n_{AL}>14$)后,EL体系表现出铁磁性表面态,而OL体系的铁磁性消失。当接近二维(2D)极限时,这些来自极性钙钛矿基本复杂性的预测可能有助于解释以后的实验观察。
2020-10-27 cond-mat.mtrl-sci physics.comp-ph
Equivariant graph neural network surrogates for predicting the properties of relaxed atomic configurations
University of Michigan(密歇根大学);Auburn University(奥本大学);University of Southern California(南加州大学)
本文提出等变图神经网络模型,用于预测DFT计算结果,解决传统簇展开方法在处理固定晶格变化时的局限性,通过训练锂钴氧化物在不同组成和原子排列下的性能,展示模型在预测原子位移、应变张量和形成能方面的准确性。
2026-03-27 cond-mat.mtrl-sci physics.comp-ph
Digital Light Processing in a Hybrid Atomic Force Microscope: In situ, Nanoscale Characterization of the Printing Process
光固化成型(SLA)和数字光处理(DLP)是功能强大的增材制造技术,可解决包括再生医学、原型制作和制造在内的广泛应用。不幸的是,这些印刷工艺由于树脂吸收率、扩散率、反应动力学和在必要的曝光期间的溶胀而引入微米级各向异性不均匀性。以前,它一直不可能表征高分辨率的机械异质性,因为它在印刷过程中的发展。通过在混合仪器中将DLP 3D打印与原子力显微镜相结合,表征了单个原位打印体素的异质性。在这里,我们描述了仪器,并证明了三种模式,在打印过程中和打印后表征体素。感测模态I映射刚打印的树脂浸入体素的机械特性,提供研究体素大小、打印曝光参数和体素-体素相互作用之间关系的框架。模态II捕获纳米原位工作曲线,是原位固化深度测量的第一个演示。模态III通过监测图案化期间树脂的粘弹性阻尼系数来动态地感测树脂中的局部流变变化。总的来说,该仪器为研究人员提供了一种工具,可以深入了解树脂开发,工艺优化和基本印刷限制。
2020-12-01 cond-mat.mtrl-sci
EAC-Net: Predicting real-space charge density via equivariant atomic contributions
Ningbo Institute of Materials Technology and Engineering, Chinese Academy of Sciences(中国科学院宁波材料技术与工程研究所);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);School of Artificial Intelligence and Data Science, University of Science and Technology of China(中国科学技术大学人工智能与数据科学学院);College of Materials Science and Opto-Electronic Technology, University of Chinese Academy of Sciences(中国科学院大学材料科学与光电技术学院);Suzhou Lab, Suzhou, Jiangsu, China(苏州实验室)
本文提出EAC-Net,通过耦合原子与网格的等变原子贡献框架,高效准确预测实空间电荷密度,并构建覆盖元素周期表的通用EAC-mp模型。
2025-09-29 cond-mat.mtrl-sci physics.comp-ph
Predicting Interface Structure using the Minima Hopping Method with a Machine Learning Interatomic Potential
Northwestern University(西北大学);Harvard John A. Paulson School of Engineering and Applied Sciences, Harvard University(哈佛大学约翰·A·保尔森工程与应用科学学院);Max Planck Institute for Solid State Research(马克斯·普朗克固相研究所);The Grainger College of Engineering, University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校格兰格工程学院);Materials Research Laboratory, The Grainger College of Engineering, University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校格兰格工程学院材料研究实验室);Robert Bosch Research and Technology Center(罗伯特·博世研究与技术中心)
本研究提出结合最小值跳跃法与机器学习互作用势的方法,用于高效预测界面结构,验证了其在SrTiO3晶界中的预测能力与实验结果的一致性。
2026-01-24 cond-mat.mtrl-sci
Predicting tensorial molecular properties with equivariant machine-learning models
将分子对称性嵌入机器学习模型是有效学习化学物理标量性质的关键,但几乎没有证据表明如何将相同的策略扩展到张量。在这里,我们制定了一个可扩展的等变机器学习模型的基础上本地原子环境描述符。我们将其应用到一系列的分子,并表明,准确的预测可以实现一个全面的列表的介电和磁张量性质的不同职级。这些结果表明,等变模型是一个很有前途的平台,可以扩展机器学习在材料建模中的应用范围。
2022-02-03 cond-mat.mtrl-sci
Predicting the Fracture Propensity of Amorphous Silica Using Molecular Dynamics Simulations and Machine Learning
Sibley School of Mechanical and Aerospace Engineering, Cornell University(康奈尔大学机械与航空航天工程学院);Department of Engineering Mechanics, Xi’an Jiaotong University(西安交通大学工程力学系)
本文结合大规模分子动力学模拟与机器学习,揭示非晶二氧化硅局域原子结构、配位数变化与延展性、韧性及断裂位置之间的关系,为功能材料的原子级设计提供依据。
2023-04-13 cond-mat.mes-hall cond-mat.mtrl-sci
Machine learning and atomic layer deposition: predicting saturation times from reactor growth profiles using artificial neural networks
Applied Materials Division, Argonne National Laboratory(阿贡国家实验室应用材料分部)
本研究构建数据集训练不同配置的人工神经网络,基于ALD反应器不同位置的厚度与剂量时间数据预测饱和时间,无需表面动力学先验,可减少工艺优化实验量,但方法受反应器几何形状限制。
2022-05-10 cond-mat.mtrl-sci cs.LG physics.app-ph
Size and confinement effect on nanostructures
本报告介绍了一个系统的理解背后的纳米固体的不寻常的行为的性质,以及一个表面,在力学,热力学,声学,光电子学,磁性,电子学,原子扩散率和化学反应对可预测的设计和可控的纳米结构材料的生长。一个键序长度强度(BOLS)的相关机制已经开发出来,这使得与表面连接的纳米固体的各种属性的可调性是一致的预测和实验验证。BOLS相关性表明,在缺陷周围或表面皮肤中的原子的配位数(CN)缺陷导致较低配位原子的剩余键自发收缩。自发键收缩与键强度增益或原子势阱降低相关,其使电子局部化并增强弛豫区中的电荷、质量和能量的密度。弛豫区中能量密度的增强扰动了哈密顿量和相关性质,例如带隙宽度、芯能级能量、斯托克斯位移(电子-声子相互作用)和介电磁化率。另一方面,键序损失通常降低了较低配位原子的内聚能,使其偏离完全配位原子的值,这决定了热力学过程,如自组装生长、原子振动、热稳定性以及原子位错和扩散的活化能。预测和观测之间的一致性证明了原子CN缺陷的巨大影响以及BOLS相关性的有效性和重要性。
2005-06-05 cond-mat.mtrl-sci
Predicting Material Properties Using a 3D Graph Neural Network with Invariant Local Descriptors
物理性质的准确预测对于发现和设计新材料至关重要。机器学习技术因其大规模筛选的潜力而引起了材料科学界的极大关注。图卷积神经网络(GCNN)是最成功的机器学习方法之一,因为它在描述3D结构数据方面的灵活性和有效性。现有的GCNN模型大多关注于拓扑结构,但过度简化了三维几何结构。然而,在材料科学中,原子的三维空间分布对于确定原子状态和原子间力至关重要。本文提出了一种具有新卷积机制的自适应GCNN,该机制同时对三维空间中所有相邻原子之间的原子相互作用进行建模。我们将所提出的模型应用于预测材料性能的两个具有明显挑战性的问题。第一个是金属有机框架(MOFs)中气体吸附的亨利常数,这是众所周知的困难,因为它对原子构型的高度敏感性。第二个是固态晶体材料中的离子电导率,这是困难的,因为很少有标记的数据可用于训练。新模型在这两个数据集上的表现都优于现有的基于图形的模型,这表明关键的三维几何信息确实被捕获了。
2021-11-22 cond-mat.mtrl-sci cs.AI
Machine Learning for Atomic Forces in a Crystalline Solid: Transferability to Various Temperatures
最近,机器学习已经成为预测分子和固体的量子力学性质的一种替代的、强大的方法。在这里,使用核岭回归和代表原子局部环境的原子指纹,我们在晶体硅系统上训练了一个机器学习模型,以便直接预测在广泛温度范围内的原子力。我们的想法是使用在较高温度或温度范围的上限下从正则系综模拟中获取的量子力学数据集来构建机器学习模型。在300 ~ 1650 K的温度范围内,力的预测误差相对于相应的力范围约为2%或更小。我们还验证了对更大系统的适用性,确保了系统大小的可移植性。
2016-08-26 cond-mat.mtrl-sci
A Deep Learning Model for Atomic Structures Prediction Using X-ray Absorption Spectroscopic Data
提出了一种基于X射线吸收近边谱(XANES)预测特定原子直接环境的双隐层深度神经网络(DNN)模型。DNN的输出层可以被调整以形成分类器或回归器,以分别预测局部和整体协调环境。使用Li3FeO3.5作为模型系统,证明了DNN分类器的预测准确率高于98%,DNN回归量的预测也显示出与地面实况的显著一致性。因此,尽管它很简单,但这种DNN架构通常可以预测各种系统的结构属性。还讨论了超参数的微调、偏差-方差权衡以及丰富模型通用性的策略。
2019-05-10 cond-mat.mtrl-sci physics.comp-ph
Predicting phase behavior of grain boundaries with evolutionary search and machine learning
晶界相变的研究是一个新兴的领域,直到最近才被实验所主导。探索这种现象的原子模型的主要瓶颈一直是缺乏一个强大的计算工具,可以预测接口结构。在这里,我们开发了一种新的计算工具,基于进化算法,进行高效的大正则晶界结构搜索,我们设计了一个聚类分析,自动识别不同的晶界相。它的应用程序的对称倾斜边界在铜的模型系统揭示了一个意想不到的丰富的多态性的晶界结构。我们发现新的基态和亚稳态通过探索不同的原子密度的结构。我们的研究结果表明,在整个取向差范围内的晶界有多个阶段,并表现出结构转变,这表明界面的相行为可能是一个普遍的现象。
2017-07-31 cond-mat.mtrl-sci
Off-Lattice Self-Learning Kinetic Monte Carlo: Application to 2D Cluster Diffusion on the fcc(111) Surface
我们报告的动态蒙特卡罗(KMC)方法的发展,提高了精度和增加的多功能性,用于描述金属表面上的原子扩散率。我们最近提出的自学习KMC(SLKMC)[1]中内置的晶格约束被释放,使原子可以自由占据晶格外位置,以适应负责小簇扩散,外围原子运动和异质外延生长的几个过程。该技术结合了嵌入在SLKMC方法与一个新的模式识别方案,适合于一个离格模型,其中相对原子位置被用来表征和存储配置的想法。应用相结合的阻力和斥力偏置势(RBP)的鞍点搜索方法,允许处理协同簇,多个和单原子运动的平等地位。这种串联的方法有助于揭示几个新的原子机制,有助于集群迁移。我们提出的应用程序,这种离格SLKMC的二维岛的铜(包含2至30个原子)在Cu和Ag(111),使用嵌入原子方法的原子间势。对于异质体系Cu/Ag(111),该技术揭示了涉及协调运动的机制,如剪切、呼吸和无公度占位。虽然该技术在存储和检索中引入了复杂性,但它不会引入明显的额外计算成本。
2008-11-26 cond-mat.mtrl-sci
Understanding and predicting trends in adsorption energetics on monolayer transition metal dichalcogenides
本研究考察多种过渡金属在二维TMDs表面的吸附规律,建立吸附能与原子及电子结构描述符的预测模型,并将其关联至非易失性电阻开关能。
2025-07-25 cond-mat.mes-hall cond-mat.mtrl-sci
Predicting polarizabilities of silicon clusters using local chemical environments
用第一性原理方法计算大团簇的极化率具有挑战性,因为计算成本与团簇大小成比例关系是不利的。为了应对这一挑战,我们证明了包含数千个原子的大型氢化硅簇的极化率可以用机器学习方法有效地计算。具体来说,我们构建机器学习模型的基础上的原子位置(SOAP)描述符的平滑重叠和训练模型使用的数据库计算的随机相位近似极化率的集群包含多达110个硅原子。我们首先展示了机器学习模型拟合数据的能力,然后使用k折交叉验证评估它们预测簇极化率的能力。最后,我们研究了机器学习预测的集群太大,明确的第一性原理计算,并发现它们准确地描述了氢硅原子的比率的极化率的依赖关系,也预测了大量的限制,这是在良好的协议与以前的研究。
2021-08-25 cond-mat.mtrl-sci
Using a machine learning approach to determine the space group of a structure from the atomic pair distribution function (PDF)
我们提出了一种方法,用于预测的空间群的结构给定的计算或测量的原子对分布函数(PDF)从该结构。该方法利用了机器学习模型,这些模型在超过10万个PDF上训练,这些PDF是从45个最常见的空间组中的结构计算出来的。特别是,我们提出了一个卷积神经网络(CNN)模型,它产生了一个有希望的结果,它正确地识别空间组中的前6个估计的91.9%的时间。CNN模型还成功地识别了15个实验PDF中的12个上的空间群。我们讨论了失败的估计,这表明,CNN是失败的传统索引算法应用于传统的粉末衍射数据以类似的方式。CNN模型的初步成功显示了在广泛的材料类别上对PDF数据进行模型独立评估的可能性。
2019-02-25 cond-mat.mtrl-sci
Pairwise interactions for Potential energy surfaces and Atomic forces with Deep Neural network
分子动力学(MD)模拟被认为是在原子尺度上研究物理和化学过程的重要工具,需要精确计算能量和力。虽然可靠的能量和力可以通过诸如基于密度泛函理论(DFT)的电子结构计算来获得,但是这种方法在计算上是昂贵的。在这项工作中,我们提出了一个使用深度神经网络(NN)来增强力和能量计算的全栈模型,其中NN被设计用于提取原子及其邻居的成对相互作用的嵌入特征,这些特征被聚合以获得其特征向量,用于预测原子力和势能。通过设计成对相互作用的特征,我们可以控制模型的性能,并考虑到多体效应和原子相互作用的其他物理。此外,我们证明,使用库仑矩阵的局部结构的补充成对的信息,我们可以提高预测的力和能量的硅系统和我们的模型被证实,以较高的精度,更大的系统的可转移性。
2021-12-03 cond-mat.mtrl-sci
Predicting the propensity for thermally activated $β$ events in metallic glasses via interpretable machine learning
金属玻璃(MG)中的元激发,即,$β$过程涉及在附近的子盆地之间跳跃,是金属玻璃许多不寻常性质的基础。然而,仅从原子位置对这些激活过程的倾向进行高效率预测仍然是一个艰巨的挑战。最近,采用精心设计的现场环境描述符和机器学习(ML),在预测压力激活的$β$过程(即,剪切变换)从静态结构。然而,复杂的张量应力场和方向依赖性激活会在数据中引入非平凡噪声,限制了所学习的结构-性质映射的准确性。在这里,我们专注于热激活的元激发,并在几个Cu-Zr MG中生成高质量的数据,从而可以定量绘制势能图。在对具有短距离和中等距离电荷分布的原子环境进行指纹识别后,ML可以识别出对热激活具有强抵抗力或高顺应性的原子,其精度超过了应力驱动激活事件的ML模型。有趣的是,一个定量的“任务间”转移测试表明,我们的学习模型也可以概括预测剪切转换的倾向。我们的数据集可能有助于对MG中结构-性质关系的未来ML模型进行基准测试。
2020-06-24 cond-mat.mtrl-sci physics.comp-ph
Convolutional neural networks for atomistic systems
我们介绍了一种新的方法,称为CNNAS(卷积神经网络的原子系统),用于计算原子系统的总能量的竞争对手的经验势的计算成本,同时保持\emph{ab initio}计算的准确性。该方法使用深度卷积神经网络(CNN),其中这些网络的输入是原子结构的简单表示。我们使用这种方法来预测使用密度泛函理论(DFT)的各种类型的二维六方晶格的能量。使用由石墨烯、六方氮化硼(hBN)和石墨烯-hBN异质结构组成的数据集(有缺陷和没有缺陷),我们训练了一个深度CNN,该CNN能够以极高的精度预测DFT能量,平均绝对误差(MAE)为0.198 meV /原子(最大绝对误差为16.1 meV /原子)。为了探索我们的新方法,我们研究了深度神经网络(DNN)在二维和三维二聚体分子数据集上预测Lennard-Jones能量和分离距离的能力。此外,我们通过执行内插和外推测试,系统地研究了深度学习模型的灵活性。
2018-03-20 cond-mat.mtrl-sci
Predicting interstitial elements in Refractory Complex Concentrated Alloys
Texas A&M University(德克萨斯农工大学);University of California, Irvine(加州大学尔湾分校)
本研究通过实验与计算方法,预测了耐火复杂浓缩合金中氧间隙元素的溶解极限,为改进合金设计提供了新思路。
2025-12-08 cond-mat.mtrl-sci physics.atom-ph
Predicting kinetics of polymorphic transformations from structure mapping and coordination analysis
为了将合理的材料设计和发现扩展到亚稳态多晶型物的空间,对其寿命进行快速可靠的评估至关重要。受Buerger(1951)早期工作的启发,我们在此研究仅使用晶体学参数预测多晶型转变动力学的途径。作为这项研究的一部分,我们开发了一个通用的算法来映射晶体结构到彼此之间,并构建它们之间的转换途径。所开发的算法可靠地再现已知的转化途径,并揭示了关键的作用,沿着该途径的化学键的解离在选择最佳(低能量障碍)映射。通过利用我们的结构映射算法,我们能够定量地证明直观的期望,即沿着路径的化学键的最小解离,或者在离子系统中,沿着路径的原子的配位条件不降低到低于最终化合物中的配位,代表了快速转化动力学的要求。我们还证明了结构映射算法的有效性,结合协调分析,在研究一个详细的原子级图片是目前难以捉摸的多晶型之间的转换。
2017-10-23 cond-mat.mtrl-sci
Role of crystal lattice structure in predicting fracture toughness
通过数值模拟和脆性晶体电学模拟的解析分析,研究了材料抗破坏能力的原子尺度依赖性。我们发现,断裂韧性取决于晶格几何形状的方式不兼容格里菲斯的关系断裂和自由表面能。它的价值在于工程尺度上的连续位移场与原子尺度上固体的离散性质之间的匹配。裂纹尖端附近的这个字段所采取的通用渐近形式提供了这种匹配的解决方案,并随后从应用到石墨烯的原子参数预测韧性的方法。
2020-01-10 cond-mat.mtrl-sci physics.class-ph
SALTED: a symmetry-adapted machine-learning program for predicting electron-densities in molecules and materials
MPI for the Structure and Dynamics of Matter(物质结构与动力学马普研究所);Department of Chemistry, University of York(约克大学化学系);Physicochimie des Électrolytes et Nanosystèmes Interfaciaux, Sorbonne Université, CNRS(索邦大学CNRS界面电解质与纳米系统物理化学研究所);Institute of Inorganic Chemistry, RWTH Aachen University(亚琛工业大学无机化学研究所);Laboratoire de physique de L’École normale supérieure de Paris, CNRS, ENS & Université PSL, Sorbonne Université, Université de Paris(巴黎高等师范学院CNRS实验室、ENS与PSL大学、索邦大学、巴黎大学);Yusuf Hamied Department of Chemistry, Cambridge University(剑桥大学优素福·哈米德化学系)
SALTED是开源Python机器学习程序,基于原子坐标预测分子与材料电子密度,可对接主流电子结构程序,在小数据场景高效,能学习电场响应,已用于极化计算等多类研究。
2026-09-04 cond-mat.mtrl-sci
Predicting interface structures: From SrTiO$_3$ to graphene
我们在这里提出了一个完全第一性原理的方法来预测界面的原子结构。我们的方法是基于{ \it从头算}随机结构搜索(AIRSS)的方法,在这里适用于治疗二维缺陷。该方法依赖于在界面附近反复产生随机结构,并在密度泛函理论(DFT)的框架内使它们松弛。该方法简单,只需要一小组参数,可以很容易地连接到感兴趣的系统的化学,和有效的,理想地适应于高通量的第一性原理计算现代并行架构。作为第一性原理,我们的方法是可转移的,一个通用的计算方法,用于确定接口的结构的一个重要要求。两个结构和化学上非常不同的界面的结果在这里,石墨烯和钛酸锶(SrTiO $_3$)的晶界晶界。我们成功地发现了一个以前未知的低能晶界结构的石墨烯系统,以及恢复以前已知的较高的能量结构。对于SrTiO $_3$系统,我们研究了晶界附近的化学计量和非化学计量的组合物,并发现以前未知的所有化学计量的低能量结构。我们预测,这些低能量的结构有长程扭曲的基态晶体结构从界面散发到散装。
2014-07-21 cond-mat.mtrl-sci
A Machine Learning Framework for Predicting Glass-Forming Ability in Ternary Alloy Systems
Sharif University of Technology(谢里夫理工大学)
本文提出基于随机森林和极端梯度提升的机器学习方法,用于预测三元氧化物玻璃的玻璃形成能力,揭示了电负性变异等关键特征对预测性能的影响。
2025-12-08 cond-mat.mtrl-sci
Error Minimization in Predicting Accurate Adsorption Energies Using Machine Learning
寻找“理想”催化剂是化学家和材料科学家社区的一大兴趣,部分原因是其广泛的工业应用。关于称为“吸附能”的物理参数的信息是选择用于催化反应的催化剂的主要要求,该物理参数指示被吸附物在基底上的粘附程度。实验和\textit{in-silico}模型都被广泛应用于吸附能的估算,但这两种方法都是\textit{Edisonian}方法,需要大量的资源和时间。在本报告中,通过采用以数据为中心的方法,我们几乎立即预测了许多过渡金属(TM)表面上原子和分子气体的吸附能。与不到10套简单的原子功能,我们的预测的吸附能的均方根误差(RMSE)小于0.4 eV的量子多体微扰理论的估计,计算昂贵的良好的实验协议。此外,我们最小化的RMSE高达0.11 eV,通过使用预先计算的吸附能量与传统的交换和相关(XC)功能作为特征向量的一个组成部分。基于我们的结果,我们开发了一套多体微扰理论和传统的DFT XC-泛函计算的吸附能之间的标度律。
2019-05-07 cond-mat.mtrl-sci physics.comp-ph
Predicting Miscibility in Binary Compounds: A Machine Learning and Genetic Algorithm Study
本研究结合Materials Project与ICSD数据,利用随机森林模型预测二元化合物混溶性,并通过遗传算法在Co-Eu体系中发现CoEu8、Co3Eu2和CoEu三种新型稳定相,为材料合成提供理论指导。
2024-09-04 cond-mat.mtrl-sci 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
Accelerated structure-stability energy-free calculator
本研究提出一种结合三个神经网络的无能量机器学习计算器,用于预测颗粒物的能量和原子力,在DFT对比中达到低误差,并展示了模型的可解释性。
2024-08-26 cond-mat.mtrl-sci physics.atm-clus
Gradient-based grand canonical optimization enabled by graph neural networks with fractional atomic existence
Center for Interstellar Catalysis, Department of Physics and Astronomy, Aarhus University, DK-8000 Aarhus C, Denmark(星际催化中心,物理系,阿arhus大学,丹麦)
本文提出了一种基于图神经网络的梯度法大正则优化方法,通过引入分数原子存在变量,实现了对吉布斯自由能的梯度计算,用于研究Cu(110)表面氧化物的性质。
2025-09-28 cond-mat.mtrl-sci cs.LG
UNATE: UNsupervised ATomic Embedding for crystal structures property prediction
提出UNATE框架,通过无监督去噪自编码器和自监督对比学习从无标签晶体结构中学习鲁棒原子表示,用于下游性质预测,在有限标签数据下提升高达10%。
2026-05-25 cond-mat.mtrl-sci cs.LG physics.class-ph
Leveraging Orbital Information and Atomic Feature in Deep Learning Model
基于材料的微观结构预测材料性能一直是一个具有挑战性的问题。最近,许多深度学习方法被开发用于材料性能预测。在这项研究中,我们提出了一个晶体表示学习框架,轨道CrystalNet,OCrystalNet,它包括两个部分:原子描述符生成和图形表示学习。在OCrystalNet中,首先将轨道场矩阵(OFM)和原子特征结合起来,构造OFM-特征原子描述符,然后将原子描述符作为原子嵌入原子键消息传递模块,利用晶体图的拓扑结构学习晶体表示.为了证明OCrystalNet的能力,我们在Material Project数据集和JARVIS数据集上执行了许多预测任务,并将我们的模型与其他基线和最先进的方法进行了比较。为了进一步展示OCrystalNet的有效性,我们对我们的模型进行了消融研究和案例研究。结果表明,我们的模型有各种优势,比其他国家的艺术模型。
2022-10-29 cond-mat.mtrl-sci cs.AI cs.LG
Predicting thermoelectric properties from crystal graphs and material descriptors - first application for functional materials
I2R, A*STAR(新加坡科技研究局资讯通信研究院);IMRE, A*STAR(新加坡科技研究局材料研究与工程研究院)
我们介绍了使用晶体图卷积神经网络(CGCNN),全连接神经网络(FCNN)和XGBoost来预测热电性能。CGCNN的数据集不依赖于密度泛函理论(DFT),只依赖于晶体和原子的信息,而FCNN的数据集基于Materialsproject.org中丰富的属性列表。结果表明,优化后的FCNN具有三层深度,能够更好地预测与散射时间无关的热电功率因数(或XGBoost),这表明从部分从DFT获得的材料科学知识获知的键合和状态密度描述符对于预测功能性质是至关重要的。
2018-11-15 cond-mat.mtrl-sci cs.LG physics.comp-ph
Predicting hot-electron free energies from ground-state data
École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院)
机器学习潜能通常在基态、玻恩-奥本海默能面上训练,这完全取决于原子位置,而不取决于模拟温度。这忽略了热激发电子的影响,这在金属中很重要,对描述温暖的致密物质至关重要。对这些效应的精确物理描述要求原子核以依赖于温度的电子自由能运动。我们提出了一种方法来获得机器学习预测的自由能在任意的电子温度下使用专门的训练数据从基态计算,避免了需要训练温度依赖的潜力,并基准金属液氢在气体巨星和褐矮星的核心条件。这项工作展示了混合方案的优势,这些方案使用物理考虑来结合机器学习预测,为开发类似方法提供了蓝图,这些方法通过消除物理和数据驱动方法之间的障碍来扩展原子建模的范围。
2022-09-28 cond-mat.mtrl-sci cs.LG
Universal rapid machine learning models for predicting unconvoluted and convoluted X-ray Absorption Spectra
Institute of high energy physics,Chinese academy of sciences(中国科学院高能物理研究所)
本文提出了一种通用快速机器学习模型,用于预测非卷积和卷积X射线吸收谱,适用于多种元素的XAS分析。
2026-02-21 cond-mat.mtrl-sci physics.chem-ph
Multi-scale model predicting friction of crystalline materials
我们提出了一个多尺度的计算框架,适用于设计固体润滑剂界面完全在硅片。该方法是基于随机热力学建立在经典的热激活二维普朗特-汤姆林森模型,与第一原理方法,以准确地捕捉真实材料的性能。它允许调查的能量耗散由于摩擦材料,因为它直接从他们的电子结构,自然访问的时间尺度范围内的一个典型的摩擦力显微镜。这为设计具有原子定制特性的广泛类别的材料表面开辟了新的可能性。我们将多尺度框架应用于一类二维分层材料,并揭示了能量景观和耗散的拓扑结构之间的微妙相互作用,仅基于能量屏障的已知静态方法无法捕获。
2022-03-30 cond-mat.mes-hall cond-mat.mtrl-sci physics.app-ph
Vibrational Entropy and Free Energy of Solid Lithium using Covariance of Atomic Displacements Enabled by Machine Learning
本文结合机器学习原子间势与原子位移协方差方法,系统评估固态锂振动熵、自由能及有限温度声子性质的收敛与采样策略,并验证其可再现实验结果和马氏体相变。
2024-06-18 cond-mat.mtrl-sci cond-mat.stat-mech
Physics-separating artificial neural networks for predicting sputtering and thin film deposition of AlN in Ar/N$_2$ discharges on experimental timescales
Ruhr University Bochum(波鸿鲁尔大学);Kiel University(基尔大学)
针对等离子体-表面相互作用模拟计算成本高、难以在实验时间尺度预测的问题,研究开发有效填充参数空间的方案,构建物理分离人工神经网络,可分析45分钟工艺内AlN溅射沉积的粒子通量及系统状态演化。
2023-01-09 cond-mat.mtrl-sci cs.LG physics.plasm-ph
Predicting accurate solid-state thermodynamics is easier than you think
Universität Bremen(不来梅大学);École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院);Univ Rennes, ENSCR, CNRS, Institut des Sciences Chimiques de Rennes, UMR 6226(雷恩大学、国立高等化学学院、法国国家科学研究中心、雷恩化学科学研究所);Sapienza Università di Roma(罗马第一大学)
本文提出一种结合随机自洽谐振近似的贝叶斯框架,用于学习第一性原理的原子间势能,能高效预测材料的热力学性质,应用于Li₂O、α-CsPbI₃和δ-CsPbI₃等材料的相变预测。
2026-11-09 cond-mat.dis-nn cond-mat.mtrl-sci physics.comp-ph