Crystal Transformer Based Universal Atomic Embedding for Accurate and Transferable Prediction of Materials Properties
提出CrystalTransformer模型,以Transformer架构替代图网络生成通用原子嵌入,提升材料性质预测的准确性、跨数据库与任务的可迁移性,并揭示其物理可解释性。
2024-01-18 cond-mat.mtrl-sci physics.comp-ph
Equivariant analytical mapping of first principles Hamiltonians to accurate and transferable materials models
我们提出了一个计划来构建预测模型的原子轨道表示的从头算数据作为一个功能的原子和键环境的哈密顿矩阵。该计划超越了传统的紧束缚的描述,因为它代表了从头算模型,以全阶,而不是在两个中心或三个中心的近似。我们实现这一点,通过引入一个扩展的原子团簇扩展(ACE)的描述符,表示变换等变相对于完整的旋转组的哈密顿矩阵块。该方法产生的哈密顿和重叠矩阵的分析线性模型。通过铝的应用,我们证明,它是可能的训练模型,从少数结构计算与密度泛函理论,并应用它们来产生准确的预测的电子结构。该模型具有很好的泛化能力,并且能够仅从大量训练数据准确地预测缺陷。
2022-07-25 cond-mat.mtrl-sci
Accurate molecular energies by extrapolation of atomic energies using an analytic quantum mechanical model
使用一种新的分析量子力学方法的基础上斯莱特的Xalpha方法,我们表明,一个相当准确的估计分子的总能量可以得到其组成原子的确切能量。由此确定的56个分子的G2组的总能量的平均绝对误差为约16千卡/摩尔,相当于或优于一些流行的纯和混合密度泛函模型。
2005-03-17 cond-mat.mtrl-sci cond-mat.other physics.chem-ph
Efficient and Accurate Machine-Learning Interpolation of Atomic Energies in Compositions with Many Species
用于原子模拟的机器学习势(MLP)是传统经典势的一个有前途的替代方案。目前的方法依赖于局部原子环境的描述符,其尺寸随着化学物种的数量呈二次方增加。在这篇文章中,我们证明了这种缩放在实践中可以避免。我们表明,一个数学上简单,计算效率高的描述符与恒定的复杂性是足够的,以代表过渡金属氧化物的组合物和生物分子含有11个化学物种的精度约为3毫电子伏/原子。这一见解消除了MLP效用的感知界限,并为研究具有十多种化学物质的以前无法访问的材料的物理学铺平了道路。
2017-12-01 cond-mat.dis-nn cond-mat.mtrl-sci
Active Learning of Uniformly Accurate Inter-atomic Potentials for Materials Simulation
Princeton University(普林斯顿大学);Institute of Applied Physics and Computational Mathematics(应用物理与计算数学研究所);CAEP Software Center for High Performance Numerical Simulation(中国工程物理研究院高性能数值模拟软件中心);Beijing Institute of Big Data Research(北京大数据研究院)
提出了一种称为深度势能发生器(DP-GEN)的主动学习过程,用于构建精确和可转移的势能面(PES)模型,用于材料分子模拟。该过程包括三个主要部分:探索,准确参考数据的生成和培训。对Al、Mg和Al-Mg合金样品系统的应用表明,DP-GEN可以用最少的参考数据生成均匀准确的PES模型。
2019-02-06 cond-mat.mtrl-sci cs.LG physics.comp-ph
Quantum-accurate magneto-elastic predictions with classical spin-lattice dynamics
提出了一个数据驱动的框架,用于建立磁弹性机器学习原子间势(ML-IAP),用于大规模自旋晶格动力学模拟。磁弹性ML-IAP是通过耦合集体原子自旋模型和ML-IAP来构造的。它们一起代表一个势能面,从该势能面计算原子上的机械力和原子自旋的进动动力学。原子自旋模型和ML-IAP的参数化数据从第一性原理计算。我们通过生成α-铁的磁弹性ML-IAP证明了我们的数据驱动框架在磁结构相变中的有效性。结合的势能面产生良好的协议与第一原理磁弹性计算和定量预测的不同材料的性能,包括体积模量,磁化强度,和比热跨铁磁-顺磁相变。
2021-02-02 cond-mat.mtrl-sci
Machine learning-enabled tomographic imaging of chemical short-range atomic ordering
在固体中,化学短程有序(CSRO)是指占据特定晶体位置的某些物质的原子的自组织。CSRO越来越多地被设想为调整材料的机械和功能特性的杠杆。然而,CSRO结构域的性质和形态,数密度和原子构型之间的定量关系仍然难以捉摸。在本文中,我们展示了机器学习增强的原子探针断层扫描(APT)如何挖掘近原子分辨的APT数据,并联合利用该技术的高元素灵敏度来提供CoCrNi中熵合金中CSRO的3D定量分析。我们揭示了多个CSRO配置,其形成支持国家的最先进的蒙特卡罗模拟。定量分析这些CSRO使我们能够建立加工参数和物理性能之间的关系。CSRO的明确表征将有助于通过操纵原子级结构来改进设计新材料的策略。
2023-03-23 cond-mat.mtrl-sci
Atomic cluster expansion for Pt-Rh catalysts: From ab initio to the simulation of nanoclusters in few steps
本文提出一种半自动工作流,从从头算数据参数化原子团簇展开(ACE),并应用于Pt-Rh纳米颗粒模拟,准确重现基本性质且计算高效,支持与高分辨率实验直接比较。
2023-03-13 cond-mat.mtrl-sci
Neighbors Map: an Efficient Atomic Descriptor for Structural Analysis
本文提出一种将原子环境编码为二维图像的邻居图描述符,结合卷积神经网络实现低计算成本的高精度结构分析,并展示了其在畸变晶体分类、相变追踪和液-非晶转变分析中的应用。
2023-09-22 cond-mat.mtrl-sci
Macro-Dipole-Constrainted Learning of Atomic Charges for Accurate Electrostatic Potentials at Electrochemical Interfaces
Max Planck Institute for Sustainable Materials(马克斯·普朗克可持续材料研究所)
本文提出SMILE-CP方法,通过宏观偶极子约束学习原子电荷,解决从ab initio分子动力学中提取可靠界面电荷分布的挑战,方法计算高效且数据高效。
2025-10-01 cond-mat.mtrl-sci physics.chem-ph
Accurate Tight-Binding Hamiltonians for 2D and Layered Materials
我们提出了一个计划,以可控地提高紧束缚哈密顿矩阵的准确性,通过投影平面波从头计算的解决方案原子轨道基组。通过系统地增加原子轨道的基组的完整性,我们能够在宽的能量范围内优化能带结构内插的质量,包括未占据的状态。这种方法适用于夹层和图像状态的情况下,出现几个电子伏特以上的费米能级的材料具有大的间隙区域或表面,如石墨和石墨烯。由于它们在系统内部或外部的空区域中的空间定位,这些状态已经无法用传统的紧束缚模型甚至原子中心基函数的从头计算来计算。
2016-01-11 cond-mat.mtrl-sci
Performant implementation of the atomic cluster expansion (PACE): Application to copper and silicon
原子团簇展开式是原子能量在多原子基函数中的一般多项式展开式。在这里,我们实现了原子团簇扩展的高性能C++代码\verb +PACE+,适用于大规模的原子模拟。我们简要地回顾了原子团簇的膨胀,并给出了详细的能量和力的表达式,以及有效的算法,为他们的评估。我们证明了在\verb +PACE+中实现的原子团簇扩展将先前建立的机器学习原子间势的帕累托前沿转移到更快,更准确的计算上。此外,通用参数化铜和硅,并详细评估。我们发现,新的Cu和Si电位显着提高了最好的高精度大规模原子模拟的潜力。
2021-03-01 cond-mat.mtrl-sci physics.comp-ph
Machine-Learned Atomic Cluster Expansion Potentials for Fast and Quantum-Accurate Thermal Simulations of Wurtzite AlN
Tsinghua University(清华大学);University of Oxford(牛津大学)
本文基于原子簇展开框架开发了机器学习原子间势,用于快速且量子精度地模拟纤锌矿AlN的声子输运与热导率,并揭示了双轴应变对其热导率的重要调控作用。
2024-01-21 cond-mat.mtrl-sci cs.LG physics.comp-ph
Accurate and efficient calculation of atomic forces in solids with non-self-consistent hybrid functionals
King’s College London(伦敦国王学院);Sorbonne Université, MNHN, UMR CNRS 7590, IMPMC(索邦大学,法国国家自然历史博物馆,CNRS联合研究实验室7590,矿物、岩石和宇宙化学研究所)
该研究针对杂化泛函计算成本高的问题,提出采用Quantum ESPRESSO中基于DFPT的非自洽杂化泛函计算原子力的方法,可降低成本且结果精度接近自洽计算,为固体原子力计算提供高效替代方案。
2026-08-17 cond-mat.mtrl-sci physics.comp-ph
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
Optical excitation of atomic force microscopy cantilever for accurate spectroscopic measurements
针对压电激发AFM悬臂梁易引发杂散机械共振、产生信号伪影的问题,提出一种共用单模光纤传输1310nm激发光与1550nm检测光的光激发装置,可消除杂散共振带来的测量误差。
2019-10-25 cond-mat.mes-hall cond-mat.mtrl-sci
Evaluating LLM-based AI agents integrated with materials synthesis tools: the case of atomic layer deposition
Applied Materials Division, Argonne National Laboratory(阿贡国家实验室应用材料分部)
本研究以原子层沉积为案例,提出了评估集成材料合成工具的基于LLM的AI智能体的实用框架,涵盖多类基准并可推广至其他材料合成技术。
2026-09-01 cond-mat.mtrl-sci cs.AI physics.app-ph
Emergence of Accurate Atomic Energies from Machine Learned Noble Gas Potentials
本文利用总能量组分间的半经验关联获得QTAIM局部原子能量,并发现仅训练总能量的较小神经网络更能忠实重现局部能量划分且具备更好的体系迁移能力。
2024-03-01 cond-mat.mtrl-sci cond-mat.soft physics.comp-ph
Atomic Force Microscopy Simulations for CO-functionalized tips with Deep Learning
原子力显微镜(AFM)在频率调制模式下工作,金属针尖用CO分子功能化,以前所未有的分辨率成像分子的内部结构。这些图像的解释往往是困难的,使得理论模拟的支持非常重要。目前的模拟方法,特别是最准确的方法,需要专业知识和资源来执行必要的输入(即分子的电荷密度和静电势)的从头计算。在这里,我们提出了一种有效而简单的替代方案来模拟这些基于条件生成对抗网络(CGAN)的AFM图像,该网络避免了所有的力计算,并将分子的2D球和棒描述用作唯一的输入。我们讨论了使用不同的训练子集优化模型时的性能。我们的CGAN准确地再现了在模拟图像中观察到的准平面分子的分子内对比度,但由于输入的严格二维字符,具有显着的内部扭转的分子具有显着的局限性。
2022-12-28 cond-mat.dis-nn cond-mat.mtrl-sci
Accurate atomic correlation and total energies for correlation consistent effective core potentials II: Rb-Xe elements
North Carolina State University(北卡罗来纳州立大学)
本文通过ccECPs方法对Rb-Xe元素进行精确的关联和总能量计算,结合多种量子化学方法验证了其准确性,为电子结构计算提供了可靠的哈密顿量。
2025-12-18 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Accurate force-field methodology capturing atomic reconstructions in transition metal dichalcogenide moiré systems
提出一种结合 Stillinger-Weber 与 Kolmogorov-Crespi 势的广义力场方法,可精确弛豫大型 TMD 莫尔双层,并提取层间莫尔势、结合能及小扭转角原子重构。
2023-06-28 cond-mat.mes-hall cond-mat.mtrl-sci
Machine-learning Based Extraction of the Short-Range Part of the Interaction in Non-contact Atomic Force Microscopy
提出了一种从力谱曲线中提取探针-表面相互作用短程部分的机器学习方法。我们的机器学习算法由两个阶段组成:第一阶段确定一个边界,该边界将短程相互作用主要作用于探针的区域分开,第二阶段找到参数以适应长程区域的相互作用。我们成功地将这种方法应用于在Si(111)-(7 x7)表面上获得的力谱图,结果发现,实验中使用的一种探针的短程相互作用上有一个模糊的结构,这可能是使用人类监督的拟合策略避免的。
2020-04-10 cond-mat.mes-hall cond-mat.mtrl-sci
XANE(3): An E(3)-Equivariant Graph Neural Network for Accurate Prediction of XANES Spectra from Atomic Structures
Chemical Sciences and Engineering Division(化学科学与工程部)
XANE(3)通过结合张量积消息传递与球谐函数边特征,利用等价层归一化和自适应门控残差连接,实现了从原子结构准确预测XANES光谱,并在铁氧化物表面晶面数据集上取得高精度结果。
2026-04-13 cond-mat.mtrl-sci cs.LG physics.chem-ph
Accurate atomic correlation and total energies for correlation consistent effective core potentials
最近,我们介绍了一组相关一致的有效核心电位(ccECP)内构建的完整的多体方法。通过采用更精确的相关方法,我们能够达到一个新的水平的准确性所产生的有效核心哈密顿。我们还努力简化使用和易于转移到量子化学和凝聚态物理中的各种电子结构方法中。在这里,作为未来使用的参考,我们提出了精确或接近精确的总能量计算这些ccECP。计算涵盖H-Kr元素,并基于最先进的组态相互作用(CI),耦合簇(CC)和量子Monte Carlo(QMC)计算,系统地消除/改进错误。特别是,我们使用cc-pVnZ进行了完整的CI/CCSD(T)/CCSDT(Q)计算,最多n=6个基组,我们估计了完整的基组极限。使用这些方法的组合,我们实现了$\approx$ 1-10 mHa的K-Zn原子和$\approx$ 0.1-0.3 mHa的所有其他元素$-$在约1%或更好的ccECP总相关能量的准确度。我们还估计了相应的动能在全CI计算的可行范围内。为了提供QMC计算的数据,我们包括固定节点的扩散蒙特卡罗能量为每个元素,给定量的见解固定节点的偏见为单参考试验波函数。结果提供了一个明确的基准,为未来的高精度计算在各种相关的波函数方法,如CI和CC,以及在随机方法,如实空间采样QMC。
2020-02-21 cond-mat.mtrl-sci physics.chem-ph
Atomic-resolution imaging of magnetism via ptychographic phase retrieval
本研究通过电子叠层衍射精确恢复相位,将磁性相位与静电相位分离,实现了磁性材料与自旋电子器件中自旋织构的原子级分辨率成像。
2022-11-24 cond-mat.mtrl-sci cond-mat.str-el physics.app-ph
Prediction of properties of metal alloy materials based on machine learning
Southwest Jiaotong University(西南交通大学)
密度泛函理论及其优化算法是目前材料领域计算性质的主要方法。虽然计算结果是准确的,但它需要花费大量的时间和金钱。为了缓解这个问题,我们打算使用机器学习来预测材料性能。本文利用开放的量子材料数据库,对金属合金的原子体积、原子能量和原子形成能进行了实验研究。通过传统的机器学习模型、深度学习网络和自动化机器学习,验证了机器学习在材料性能预测中的可行性。实验结果表明,机器学习可以准确地预测材料的性能。
2021-09-20 cond-mat.mtrl-sci cs.LG physics.comp-ph
Atomic energy mapping of neural network potential
我们表明,机器学习潜力的智能来自于它从给定的一组总能量推断参考原子能量函数的能力。通过利用特征空间中原子能量具有固定参考值的不变点,我们研究了神经网络势的原子能量映射。通过一系列Si上的例子,我们证明了神经网络的潜力是脆弱的“特设”映射,其中总能量似乎是准确的训练,而原子能映射是不正确的,尽管它的能力。我们表明,能量映射可以通过仔细选择训练集,并在训练过程中的不变点监测原子的能量得到改善。
2019-03-11 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Long-range correlation energy calculated from coupled atomic response functions
电子相关能的准确测定对于描述各种系统的结构、稳定性和功能是必不可少的,从气相分子组装到凝聚态物质和有机/无机界面。即使是相关能中很小的误差也会对所关注系统的化学和物理性质的描述产生很大的影响。在这种情况下,开发有效的方法来精确计算长距离相关能量(以及色散)是主要的挑战。在过去的几年中,已经开发了一些方法来增强密度泛函近似通过色散能量校正,但大多数这些方法忽略了内在的多体性质的相关效应,导致不一致的,有时甚至定性不正确的预测。在这里,我们建立在最近的多体色散(MBD)框架,这是密切相关的随机相位近似的相关能量。我们分离的相关能量到短期的贡献,半本地泛函和远程的贡献,通过映射到一组原子的偶极近似耦合的响应函数的复杂的全电子问题计算建模。我们提出了一个有效的范围分离的原子响应函数之间的耦合,扩展了已经广泛适用的MBD方法的非金属材料具有高度各向异性的响应,如层状纳米结构。应用于各种高质量的基准数据集说明了改进的MBD方法的准确性和适用性,它提供了具有长程相关能量的精确描述的大型结构复杂系统的第一性原理建模的前景。
2013-12-13 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph