Thermodynamic Behavior of a Model Covalent Material Described by the Environment-Dependent Interatomic Potential
利用分子动力学模拟，我们研究了最近提出的环境依赖原子间相互作用势（EDIP）所描述的单组分共价材料的热力学行为。硅的EDIP的参数化表现出一系列通常在更复杂的材料中发现的不寻常的性质，例如存在两种结构上不同的无序相，低温非晶相熔化时的密度降低，以及晶体（在高温下）和非晶相（在所有温度下）的负热膨胀系数。两种无序相之间的结构差异也导致它们之间的一阶转变，这表明存在第二个临界点，据信存在无定形形式的冷冻水。然而，对于EDIP-Si，这种不寻常的行为不仅与四面体键合的开放性质有关，而且与四重（共价）和五重（金属）配位之间的竞争有关。该模型的不寻常行为及其在分子动力学时间尺度上模拟液体/无定形转变的独特能力使其成为无序系统中异常热力学基础研究的合适原型。
2002-06-12 cond-mat.mtrl-sci
Benchmarking Universal Machine Learning Interatomic Potentials for Elastic Property Prediction
School of Intelligence Science and Technology, Nanjing University of Science and Technology（南京理工大学智能科学与技术学院）；School of Physics, Hefei University of Technology（合肥工业大学物理学院）
本文评估了四种通用机器学习互原子势在弹性质预测中的性能，发现SevenNet表现最佳，通过微调进一步提升了CHGNet的准确性，而MACE的鲁棒性较弱。
2026-03-05 cond-mat.mtrl-sci
Equivariant Many-body Message Passing Interatomic Potentials for Magnetic Materials
University of British Columbia（不列颠哥伦比亚大学）；Symmetric Group（对称集团）；MatNex；University of Cambridge（剑桥大学）；Max Planck Institute for Polymer Research（马克斯·普朗克高分子研究所）
本文提出一种等变信息传递图神经网络，通过显式嵌入原子磁矩，学习超越线性近似之外的磁相互作用，实现高效且可迁移的磁行为表示。
2026-04-09 cond-mat.mtrl-sci
Screening of material defects using universal machine-learning interatomic potentials
本文验证了通用机器学习原子间势可用于大规模缺陷材料筛选，对86 259种材料进行空位计算，并展示了其在发现凸包附近新材料和模拟低维材料刻蚀中的应用。
2025-04-10 cond-mat.mtrl-sci physics.comp-ph
Stratified construction of neural network based interatomic models for multicomponent materials
最近神经网络（NN）在原子间相互作用建模中的应用表明，学习机在选择元素和多组分体系时具有非常准确的性能。在这项研究中，我们探讨了通过引入分层NN训练来构建基于NN的模型库的可能性。在这种分层过程中，多组分系统的神经网络是通过自下而上的顺序训练获得的：首先是一元，然后是二元，等等。我们使用自动生成的不同结构集的NN训练密度泛函理论水平的参考能量。在测试的情况下，铜，钯，银，铜-钯，铜-银，钯-银，和铜-钯-银系统，神经网络在传统的和分层的方式训练被发现具有基本相同的准确性缺陷能量，声子色散，形成能量等模型的鲁棒性进一步说明通过无约束的进化结构搜索，其中NN用于晶体晶胞的局部优化。
2017-02-01 cond-mat.mtrl-sci
Thermal conductivity of h-BN monolayers using machine learning interatomic potential
热管理材料对于工程小型化电子设备至关重要，其中这种材料的理论设计需要评估热导率，这在数值上是昂贵的。在这项工作中，我们应用最近开发的机器学习原子间相互作用势（MLIP）来评估六方氮化硼单层的热导率。MLIP是使用高斯近似势（GAP）的方法，得到的晶格动力学性质和热导率进行了比较，从显式冻结声子计算。结果表明，基于约30%代表性构型的MLIP可以获得精确的热导率，高阶力常数比谐波近似提供了更可靠的MLIP质量基准。
2020-12-14 cond-mat.mtrl-sci
Machine Learning Interatomic Potential for Anisotropic Thermal Transport in Bulk Hexagonal Boron Nitride
层状材料中的高度各向异性热导率对于广泛的应用至关重要，例如电子设备的热管理、热绝缘和热电。对层状材料各向异性热输运的理解在很大程度上依赖于基于密度泛函理论（DFT）或经验势的原子模拟，然而，这些方法的计算效率或精度较低。最近，机器学习原子间相互作用势（MLIPs）正在成为弥合这一差距的强大工具。尽管最近在开发MLIP方面取得了进展，但很少有人关注构建一个可以准确预测层状材料热性能的势函数，这与各向同性材料相比更具挑战性，因为层状材料中的高度各向异性键合和弱范德华相互作用。在这里，我们介绍了一个MLIP内的高斯近似势（GAP）的框架内的块状六方氮化硼（h-BN）具有典型的层状结构。GAP可以很好地预测高度各向异性的声子输运性质和体相h-BN的热导率与DFT水平的精度在数量级降低成本。我们的工作证明了GAP能够再现块状h-BN和潜在的其他层状材料的各向异性势能面的细微特征。基于MLIP的原子模拟有望极大地促进对层状材料中声子输运的理解和热物理性质的预测。
2022-08-22 cond-mat.mtrl-sci
Discovering High-Entropy Oxides with a Machine-Learning Interatomic Potential
本文提出整合计算与实验的自洽方法，利用机器学习原子间势和两个描述符快速准确探索单相岩盐高熵氧化物，正确解析所有实验稳定组成，并发现更多待探索组成。
2025-01-13 cond-mat.mtrl-sci
Accelerating first-principles estimation of thermal conductivity by machine-learning interatomic potentials: A MTP/ShengBTE solution
从实验和理论的角度来看，准确评估材料的热导率可能是一项具有挑战性的任务。特别是对于纳米结构材料，热导率的实验测量与不同来源的不确定性有关。作为一种可行的替代实验，结合密度泛函理论（DFT）模拟和玻尔兹曼输运方程的解决方案，目前被认为是最值得信赖的方法来研究热导率。上述方法的主要瓶颈是使用计算要求高的DFT计算获得非谐原子间力常数。在这项工作中，我们提出了一个大大加快的方法，通过采用机器学习原子间势（MLIPs）训练过短从头分子动力学轨迹的非谐原子间力常数的评估。建议的加速方法的显着的准确性被确认通过比较估计的几个散装和二维材料的热导率与全DFT方法计算的。在这项研究中提出的MLIP为基础的方法可以作为一个标准的工具，这将大大加快和方便的晶格热导率的估计相比，常用的全DFT解决方案。
2020-09-06 cond-mat.mtrl-sci
Graph atomic cluster expansion for foundational machine learning interatomic potentials
Interdisciplinary Centre for Advanced Materials Simulation (ICAMS), Ruhr-University Bochum（波鸿鲁尔大学跨学科先进材料模拟中心）
GRACE通过图原子簇扩展框架，提供了一种高效且准确的基础机器学习互原子势，适用于广泛材料建模和高保真度模拟。
2026-01-03 cond-mat.mtrl-sci
Fine-tuning foundation models of materials interatomic potentials with frozen transfer learning
本文提出部分冻结权重和偏置的迁移学习微调方法，使原子间势基础模型仅用10–20%数据即达到从头训练精度，并据此构建高效代理模型。
2025-07-29 cond-mat.mtrl-sci
Indirect Learning of Interatomic Potentials for Accelerated Materials Simulations
基于机器学习（ML）的原子间势是材料模拟的新兴工具，但需要在准确性和速度之间进行权衡。在这里，我们展示了如何使用一个ML势模型来训练另一个：我们使用一个现有的、准确的、但计算成本更高的模型来为一系列更快的势生成参考数据（位置和标签）。在次级阶段不需要量子力学参考计算，可以很容易地生成广泛的参考数据集，我们发现，这提高了质量的快速潜力，不太灵活的功能形式。我们将该技术应用于无序硅，包括模拟玻璃化和多晶晶粒形成的压力下，系统大小为100万个原子。我们的工作为原子间势模型的机器学习提供了概念性的见解，并为加速凝聚相系统和纳米结构材料的模拟提供了一条途径。
2022-02-21 cond-mat.mtrl-sci physics.chem-ph
Accelerating Simulated Annealing of Glassy Materials with Data Assimilation
玻璃化转变的超长弛豫时间使得用常规方法很难建立非晶材料的原子模型。我们提出了一种新的方法来建立这样的原子模型，使用模拟退火的数据同化方法与精确计算的原子间的潜力从实验数据的惩罚增强。这种方法的优点是不仅可以像逆蒙特卡罗方法那样再现实验数据，而且可以得到原子间势能的合理结构。此外，由于原子间相互作用势，我们不需要高的$Q$范围的衍射数据，这是必要的，以考虑到短程秩序。持久的同源性分析表明，由新方法获得的无定形冰确实是更有序的中程。
2022-09-02 cond-mat.mtrl-sci
A neural network interatomic potential for the phase change material GeTe
GeTe是一种典型的相变材料，在光学和电子非易失性存储器中具有很高的应用价值。我们提出了一个原子间的潜在的GeTe体相，这是使用神经网络（NN）表示的势能面从参考计算的基础上密度泛函理论。它表明，NN潜力提供了一个接近从头计算质量描述的一些属性的液体，结晶和非晶GeTe。一个可靠的经典势的可用性允许解决的相变材料，这是目前超出了第一原理分子动力学模拟的能力的技术应用的一些感兴趣的问题。
2012-01-10 cond-mat.dis-nn 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
Information-entropy-driven generation of material-agnostic datasets for machine-learning interatomic potentials
提出基于信息熵最大化的材料无关数据集自动生成方法，用于训练机器学习原子间势，在无需微调下实现高精度与高鲁棒性，适用于极端条件模拟。
2025-02-03 cond-mat.mtrl-sci
Robust Training of Machine Learning Interatomic Potentials with Dimensionality Reduction and Stratified Sampling
本文提出DIRECT采样方法，结合降维与分层，从百万级结构数据中筛选训练集，开发出更可靠的M3GNet通用势及Ti-H系统矩张量势，实现MLIPs的鲁棒高通量开发。
2023-07-24 cond-mat.mtrl-sci
Fast proper orthogonal descriptors for many-body interatomic potentials
本文提出快速本征正交描述符算法，使多体原子间势的计算复杂度相对于邻居数由指数级降为线性，并在钽的DFT数据集上验证。
2022-12-29 cond-mat.mtrl-sci
Fine-Tuning Bulk-oriented Universal Interatomic Potentials for Surfaces: Accuracy, Efficiency, and Forgetting Control
本文通过系统比较从头训练、零样本、常规与多头微调，证明微调预训练通用原子间势能以极少数据提升表面预测精度，并缓解灾难性遗忘。
2025-09-30 cond-mat.mtrl-sci
A Universal Graph Deep Learning Interatomic Potential for the Periodic Table
描述原子势能面的原子间相互作用势（IAP）是原子模拟的基本输入。然而，现有的IAP要么适合于狭窄的化学性质，要么对于一般应用来说太不准确。在这里，我们报告了一个通用的IAP材料的基础上图神经网络与三体相互作用（M3GNet）。M3GNet IAP在过去10年中由材料项目进行的结构弛豫的庞大数据库上进行了培训，并在不同化学空间的材料结构弛豫，动态模拟和性能预测方面具有广泛的应用。根据M3GNet能量，从3100万种假设晶体结构中筛选出约180万种材料，这些材料可能对现有材料项目晶体稳定。在船体以上能量最低的前2000种材料中，有1578种使用DFT计算验证为稳定的。这些结果表明，机器学习加速了发现具有特殊性能的可合成材料的途径。
2022-08-14 cond-mat.mtrl-sci physics.chem-ph
Genetic programming-based learning of carbon interatomic potential for materials discovery
有效和准确的原子间相互作用势函数对于材料的计算研究以及寻找具有所需性质的结构是至关重要的。传统上，势函数或能量景观是由专家基于理论或启发式知识设计的。在这里，我们提出了一种新的方法来利用强类型的并行遗传编程（GP）的潜在功能发现。我们使用一个多目标进化算法与NSGA-III的选择，以优化个人的年龄，健身和复杂性，通过符号回归。利用从858个碳结构中提取的863个独特碳同素异形体构型的DFT数据集，所产生的势能够以低计算成本预测$\pm 7.70$ eV内的总能量，同时在多个碳结构中很好地推广。我们的代码是开放源代码，可从\url {http：//www.example.com}获得www.github.com/usccolumbia/mlpotential
2022-04-02 cond-mat.mtrl-sci cs.CE
Improving Reliability of Machine Learned Interatomic Potentials With Physics-Informed Pretraining
College of Computing, Georgia Institute of Technology（佐治亚理工学院计算学院）；School of Computational Science and Engineering, Georgia Institute of Technology（佐治亚理工学院计算科学与工程学院）
通过物理指导预训练提升机器学习互原子势的可靠性，提高预测准确性和MD稳定性。
2026-02-23 cond-mat.mtrl-sci
Thermal transport and phase transitions of zirconia by on-the-fly machine-learned interatomic potentials
机器学习的原子间相互作用势使复杂材料特性的真实有限温度计算具有第一原理精度。然而，目前尚不清楚它们如何准确地描述非谐性质，这对于预测固体中的晶格热导率和相变至关重要，因此，塑造了它们的技术应用。在这里，我们采用了最近开发的飞行学习技术的基础上分子动力学和贝叶斯推断，以产生一个原子间的潜力能够描述的热力学性质的氧化锆，一种重要的过渡金属氧化物。这种机器学习的电势准确地捕获低于熔点的温度诱导的相变。我们进一步展示了预测能力的潜力，通过计算的基础上的热传输的格林-久保理论，它允许考虑到所有订单的非谐效应。这项研究表明，在飞行中训练的机器学习电位为准确有效地模拟大量非谐材料的热力学性质提供了一种常规解决方案。
2021-09-30 cond-mat.mtrl-sci
Symbolic Regression in Materials Science: Discovering Interatomic Potentials from Data
Heuristic and Evolutionary Algorithms Laboratory（启发式与进化算法实验室）；University of Applied Sciences Upper Austria（上奥地利应用科学大学）
本文探讨符号回归在材料科学中发现原子间势的作用，提出基于遗传编程的建模方法，并在从头算电子结构数据上验证其有效性。
2022-07-21 cond-mat.mtrl-sci cs.LG cs.NE
Reconstruction of the interatomic forces from dynamic Scanning Transmission Electron Microscopy data
我们探讨的可能性，重建的生成物理模型描述原子单位之间的相互作用，从观测电子显微镜数据的固体。在这里，使用扫描透射电子显微镜（STEM）观察在连续电子束照射下单层石墨烯边缘的Si原子的动态运动。所得到的时间推移STEM图像表示所观察到的系统的化学状态的快照。我们使用两种方法：使用径向分布函数（RDF）和具有力匹配的石墨烯-Si原子间成对势的直接拟合进行平均力势（PMF）计算，以重建材料中的力场。这些研究奠定了定量分析的基础，从STEM数据，通过采样的亚稳态的化学空间的系统的材料能量学。
2021-01-31 cond-mat.mtrl-sci
Triplet Envelope Functions for increasing machine learning interatomic potential efficiency and stability
Physics Inverted Materials, Inc.（物理倒置材料公司）
本文提出三元包络函数，通过物理启发的几何函数修剪局部原子邻域，提高MLIP的效率和稳定性，同时保持精度。
2026-02-02 cond-mat.mtrl-sci
Machine-learning based interatomic potential for amorphous carbon
我们引入了高斯近似势（GAP）的液态和无定形元素碳的原子模拟。基于密度泛函理论（DFT）势能面的机器学习表示，这种原子间势使材料模拟具有接近DFT的精度，但计算成本要低得多。我们首先确定的最大精度，任何有限范围的潜力可以实现在碳结构，然后，使用一种新的层次设置的两个，三个，和多体结构描述符，我们构建了一个GAP模型，确实可以达到目标的准确性。潜力产生准确的能量和结构特性在很宽的密度范围内，它也正确地捕捉液相的结构，在与国家的最先进的经验潜力的差异。提出了GAP模型在“类金刚石”四面体无定形碳（ta-C）表面上的示例性应用，包括无定形材料的表面能的估计和高温表面重构（“石墨化”）的模拟。新的原子间相互作用势似乎是有前途的现实和准确的模拟纳米级无定形碳结构。
2016-11-10 cond-mat.mtrl-sci
Li-P-S Electrolyte Materials as a Benchmark for Machine-Learned Interatomic Potentials
University of Oxford（牛津大学）
本文提出LiPS-25基准数据集，用于评估机器学习互原子势在固态电解质材料中的性能，重点测试超参数和模型微调效果，并扩展至其他材料系统。
2025-11-20 cond-mat.mtrl-sci physics.comp-ph
Interatomic Fe-H potential for irradiation and embrittlement simulations
氢在铁和铁合金中的行为是物理学和材料科学许多领域的研究热点。为了实现对含Fe-H相互作用体系的大规模分子动力学模拟，我们基于密度泛函理论计算，发展了Tersoff-Brenner形式的Fe-H相互作用势.所得到的解析势不仅适用于模拟Fe中的H，也适用于模拟小的FeH分子，而且可以直接与我们之前构建的不锈钢Fe-Cr-C体系的解析势相结合。这将允许模拟，例如，碳氢化合物分子化学在钢表面上的应用。在目前的工作中，我们施加的潜力来模拟氢致脆化在单晶体铁和铁双晶体与晶界。在这两种情况下，氢被发现软化材料。
2016-04-11 cond-mat.mtrl-sci
Ab Initio Construction of Interatomic Potentials for Uranium Dioxide Across all Interatomic Distances
我们提供了一种用于产生原子间势的方法，用于在从晶格振动到晶体缺陷到高能碰撞的能量尺度上发生的原子现象的经典分子动力学模拟。一个严格的方法来客观地确定形状的原子间的潜力在所有的长度尺度上引入了一个著名的齐格勒-Biersack-Littmark普遍潜力，提供了短期和长期的限制行为的潜力的带电离子概括的基础上。在中间范围内，通过拟合从头算数据来平滑地调整电位。我们的形式主义提供了一个完整的描述，可以在任何能量尺度上使用的原子间的潜力，从而消除了固有的模糊性样条不同的潜力产生研究不同种类的原子材料的行为。我们通过发展从热力学平衡到与裂变事件相关的非常高的原子能碰撞的条件下二氧化铀相互作用的刚性离子势来验证该方法。
2009-09-17 cond-mat.mtrl-sci
Efficient and Accurate Spatial Mixing of Machine Learned Interatomic Potentials for Materials Science
ML-MIX通过空间混合不同复杂度的互原子势，提升大规模分子动力学模拟效率，同时保持精度，适用于材料科学中的点缺陷分析和位错运动研究。
2025-11-20 cond-mat.mtrl-sci cs.LG
Amorphous materials as a frontier challenge for universal interatomic potentials
Inorganic Chemistry Laboratory, Department of Chemistry, University of Oxford（牛津大学化学系无机化学实验室）
研究非晶态材料对通用原子间势的挑战，引入基于精选数据集的基准框架，评估主流模型可转移性，识别局限并探究微调策略，为非晶功能材料领域应用及相关模型设计提供指导。
2026-07-14 cond-mat.mtrl-sci physics.comp-ph
Interpretable Ensemble Learning for Materials Property Prediction with Classical Interatomic Potentials: Carbon as an Example
School for Engineering of Matter, Transport and Energy, Arizona State University（亚利桑那州立大学物质、运输与能源工程学院）；Material Measurement Laboratory, National Institute of Standards and Technology（美国国家标准与技术研究院材料测量实验室）
针对材料性质预测中深度学习训练慢、黑箱且需精心设计描述符的问题，提出基于回归树的集成学习方法，以碳同素异形体数据集为例，用9种经典原子间势的分子动力学计算结果作输入，无需描述符即可更准确预测材料性质，且具备可解释性。
2023-07-24 cond-mat.mtrl-sci cs.LG
Equivariant graph neural network interatomic potential for Green-Kubo thermal conductivity in phase change materials
本研究利用E(3)-等变图神经网络势结合Green-Kubo方法，精确计算相变材料GeTe的热导率，并发现仅含三声子的玻尔兹曼方程会高估约2倍。
2024-03-15 cond-mat.dis-nn cond-mat.mtrl-sci physics.comp-ph
Representations from Pretrained Machine-Learning Interatomic Potentials as Coarse Coordinates for Material Generation and Evaluation
BAM（联邦材料研究与测试研究所）
该研究提出利用预训练MLIPs（如MACE）的原子平均特征，引入CFTD距离度量评估材料生成模型，同时展示其可作为模型指导，实现晶体结构质量评估与记忆检测。
2026-08-03 cond-mat.mtrl-sci cs.LG
Method and Advantages of Genetic Algorithms in Parameterization of Interatomic Potentials: Metal-Oxides
的方法和优点的进化计算为基础的方法，使用稳态遗传算法（GA）的参数化的金属氧化物的原子间相互作用势壳模型框架内的开发和描述。我们表明，基于遗传算法的原子间力场函数参数化方法能够（a）在单次运行中同时优化材料的多个相或性质，（b）促进整个系统的增量重新优化，因为更多的数据可用于先前运行中不包括的附加相或材料性质，以及（c）在参数空间中存在多个局部最小值的情况下成功的全局优化。作为一个例子，我们应用的方法对四个不同的晶相的钛酸钡（BaTiO 3或BTO）使用从头计算密度泛函理论（DFT）为基础的参考数据集的同时优化。我们发现，优化的力场函数是能够预测的两个阶段中没有使用的优化过程中，和许多派生的物理性质，如平衡晶格常数，晶胞体积，弹性性能，热膨胀系数，和平均电子极化与文献中的实验结果吻合得很好。
2013-06-05 cond-mat.mtrl-sci
Exploring Phononic Properties of Two-Dimensional Materials using Machine Learning Interatomic Potentials
声子性质通常通过使用密度泛函理论（DFT）模拟计算力常数来研究。虽然DFT模拟提供了声子色散关系或热性质的准确估计，但对于低对称性和纳米多孔结构，计算成本很快变得非常苛刻。此外，计算设置可能会产生非物理虚频的声子色散曲线，阻碍评估的声子特性和所考虑的系统的动力学稳定性。在这里，我们计算声子色散关系，并检查一个大的合奏的新材料和组合物的动力学稳定性。我们提出了一个快速和方便的替代DFT模拟来自机器学习原子间势被动训练计算效率的从头分子动力学轨迹。我们的结果为不同的二维（2D）纳米材料证实，所提出的计算策略可以重现基本的热性能与通过DFT方法获得的密切一致。该方法为低对称性多孔二维材料的动力学稳定性研究和声子特性研究提供了一种稳定、高效、方便的解决方案。
2020-05-11 cond-mat.mtrl-sci physics.comp-ph
Interatomic forces for transition metals including magnetism
我们提出了一种扩展二阶矩紧束缚模型的形式，加入了FeCr系统所需的铁磁和反铁磁相互作用项.对于反铁磁和顺磁材料，需要一个明确的额外变量来表示自旋。在平均场近似中，这种自旋可以被消除，并且电势变得明显依赖于温度。对于铁磁相互作用，这个自由度可以消除，和形式主义减少到嵌入原子方法（EAM），我们显示了现有的EAM潜在的“磁”势的等价性。
2009-12-17 cond-mat.mtrl-sci
Validation of machine-learned interatomic potentials via temperature-dependent electron thermal diffuse scattering
机器学习的原子间相互作用势（MLIP）在准确描述材料的物理性质方面显示出了希望，但需要更高通量的验证方法。在这里，我们证明了使用MLIPs和分子动力学可以准确地捕捉势能景观和晶格动力学，需要描述电子热漫散射。使用SrTiO $_3$作为一个试验台，在低温和室温下，我们比较电子热漫散射模拟使用不同的近似，将热运动。只有当模拟是基于量子力学精确的MLIPs结合路径积分分子动力学，包括核量子效应，有很好的协议与实验\end{abstract}
2023-03-04 cond-mat.mtrl-sci
Benchmarking machine-learning interatomic potentials using classical force fields
Université de Lille（里尔大学）；CNRS, Unité Matériaux et Transformations（法国国家科学研究中心，材料转化单元）；Université Marie et Louis Pasteur（玛丽·路易·巴斯德大学）；CNRS, LmB (UMR 6623)（法国国家科学研究中心，LmB（联合研究单位6623））
该研究通过测试多种机器学习原子间势拟合经典势的性能，评估其在多方面的优缺，发现MACE模型重现势能面最准确但计算成本高，为计算材料科学的模型选择提供参考。
2026-10-14 cond-mat.mtrl-sci
An AI-ready fine-tuning framework for accurate machine-learning interatomic potentials in solid-solid battery interfaces
本文提出FIRE框架，通过整合回放与效率的微调方法，实现固-固电池界面的高精度机器学习互原子势建模，显著提升预测准确性与数据效率。
2026-10-01 cond-mat.mtrl-sci
Combining Brillouin spectroscopy and machine learned interatomic potentials to probe mechanical properties of metal organic frameworks
本研究将布里渊散射技术与基于机器学习力场和色散校正密度泛函理论的模拟相结合，探究了新型金属有机框架材料GUT2的力学性质，克服了单晶尺寸限制，成功确定了其弹性张量分量的近似值。
2024-09-11 cond-mat.mtrl-sci
Machine-learning interatomic potential for molecular dynamics simulation of ferroelectric KNbO3 perovskite
铁电钙钛矿材料在压电器件中的应用已经有几十年的历史，其中，环境友好的无铅（K，Na）NbO3基材料最近被证明是可持续发展的优秀候选材料。分子动力学是研究铁电钙钛矿材料动力学性质的一种通用的理论计算方法。然而，由于传统的原子间相互作用势的构造是相当困难和低效的，因此铁电钙钛矿的分子动力学模拟一直局限于简单的系统。在本研究中，我们通过使用深度神经网络模型构建了KNbO3（作为（K，Na）NbO3的代表系统）的机器学习原子间相互作用势。将第一性原理计算数据加入到训练数据集中，保证了原子间相互作用势的量子力学精度。基于机器学习的原子间相互作用势的分子动力学与第一性原理计算表现出良好的一致性，可以准确地预测多个基本性质，原子力、能量、弹性性质和声子色散。此外，原子间作用势在模拟畴壁和温度相关的相变方面表现出令人满意的性能。基于机器学习的原子间相互作用势的构造方法有可能应用到其他钙钛矿结构的铁电材料中，从而有利于铁电材料的理论研究。
2022-03-02 cond-mat.mtrl-sci
Accelerating the prediction of inorganic surfaces with machine learning interatomic potentials
University of Minnesota（明尼苏达大学）
本文综述了利用机器学习原子间势加速无机表面预测的方法，涵盖第一性原理表面相图计算及数据驱动方法，旨在提升纳米尺度表面建模的预测能力。
2023-12-18 cond-mat.mtrl-sci cs.LG
Probing the Interatomic Potential of Solids by Strong-Field Nonlinear Phononics
中红外频率的飞秒光脉冲开辟了固体晶格振动的非线性控制。到目前为止，所有的应用都依赖于二阶声子非线性，这是占主导地位的场强接近1 MVcm-1。在这种情况下，非线性声子可以瞬时改变平均晶格结构，并随之改变材料的功能。在这里，我们实现了一个数量级的场强增加，并探讨高阶晶格非线性。我们在LiNbO 3中驱动多达5个声子谐波的A1模式。相敏测量的原子轨迹在这个制度被用来实验重建的原子间的潜力和基准从头计算这种材料。高阶非线性声子对自由能表面的层析成像将影响材料研究的许多方面，包括经典和量子相变的研究。
2017-08-25 cond-mat.mtrl-sci physics.optics
Evaluating Compression and Nanoindentation in FCC Nickel: A Methodology for Interatomic Potential Selection
本研究通过分子动力学模拟分析FCC镍在压缩和纳米压痕下的力学响应，提出了一种选择合适原子间势的实用方法，为单元素材料模拟建立基准并支持扩展至镍基合金。
2025-03-05 cond-mat.mtrl-sci
Platonic representation of foundation machine learning interatomic potentials
Imperial College London（伦敦帝国学院）
本研究提出柏拉图表示法，通过统一不同MLIPs的潜在空间，实现跨模型最优传输和可解释的嵌入运算，揭示潜在空间中几何失真与物理预测失败的关系。
2025-12-05 cond-mat.mtrl-sci
MLIP Studio: An Open Platform for Interactive Benchmarking and Atomistic Simulations Using Machine Learning Interatomic Potentials
Indian Institute of Science（印度科学学院）
针对通用机器学习原子间势实际应用的阻碍，MLIP Studio平台将60多种MLIPs整合到统一界面，实现端到端工作流程，可降低后续DFT优化工作量、进行计算性能基准测试及指导MLIP选择，降低了基础模型在相关领域应用的障碍。
2026-07-09 cond-mat.mtrl-sci
Unifying the description of hydrocarbons and hydrogenated carbon materials with a chemically reactive machine learning interatomic potential
本研究基于GAP框架与密度泛函理论数据集，构建了可同时描述碳氢化合物、氢化碳材料及纯碳体系的通用化学反应性机器学习原子间势，验证了其宽条件适用性并指出单框架描述分子内/间相互作用的局限，可推动含氢碳材料相关研究。
2024-09-12 cond-mat.mtrl-sci physics.chem-ph
Lattice thermal conductivity and elastic modulus of XN4 (X=Be, Mg and Pt) 2D materials using machine learning interatomic potentials
本研究利用基于机器学习的原子间势，通过分子动力学模拟研究了BeN4、MgN4和PtN4二维材料的各向异性力学与热学性质，发现弹性模量和热导率在扶手椅方向更高，且PtN4的弹性各向异性随温度降低。
2022-12-01 cond-mat.mtrl-sci physics.app-ph
Lennard-Jones interatomic potentials for the allotropes of carbon
寻找合适的能准确描述材料晶体结构的原子间相互作用势是材料科学的重要课题之一。本文提出了几种由Lennard-Jones（LJ）势组成的原子间相互作用势来描述碳的同素异形体如金刚石和石墨的晶体结构和微观结构的演化。这些LJ势的有效性可以通过分子动力学（MD）模拟来检验。对于模拟系统的晶格识别，我们计算了原子与其近邻原子间夹角和原子间距离的分布函数，并检查了原子的排列。我们的模拟结果清楚地表明，我们已经成功地产生了金刚石和石墨结构的MD模拟和上述LJ势。
2018-07-01 cond-mat.mtrl-sci physics.comp-ph
Universal Thermodynamic Interatomic Potentials for Crystalline Materials
Massachusetts Institute of Technology（麻省理工学院）；Meta
该研究提出热力学原子间势（TIP），将原子间势扩展为热力学一致的吉布斯自由能模型，实现自由能的高效计算，为高通量探索有限温度下晶体材料的相稳定性提供了新方法。
2026-08-17 cond-mat.mtrl-sci cond-mat.stat-mech cs.AI
Physically-informed artificial neural networks for atomistic modeling of materials
材料的大规模原子计算机模拟在很大程度上依赖于预测原子上的势能和牛顿力的原子间势。传统的原子间相互作用势是基于物理直观的，但包含的可调参数很少，通常是不准确的。新兴的机器学习（ML）潜力实现了在大型DFT数据库中的能量之间的高度精确的插值，但是，作为纯粹的数学构造，对未知结构的可移植性较差。我们提出了一种新的方法，可以大大提高ML潜力的可转移性，通过通知他们的物理性质的原子间键合。这是通过结合一个相当普遍的物理为基础的模型（分析键级潜力）与神经网络回归。该网络在模拟过程中根据单个原子的局部环境动态调整基于物理的模型的参数。这种方法，被称为物理知情的神经网络（PINN）的潜力，证明了通过开发一个通用的PINN潜在的铝。潜力提供了DFT级的能量预测精度和良好的协议与实验和DFT数据的广泛的物理性质。我们认为，基于物理的ML势的发展是原子模拟领域最有效的前进方向。
2019-01-22 cond-mat.mtrl-sci
Benchmarking Universal Machine Learning Interatomic Potentials on Elemental Systems
Center for Advanced Systems Understanding (CASUS)（高级系统理解中心）；Helmholtz-Zentrum Dresden-Rossendorf (HZDR)（德累斯顿-罗斯多夫亥姆霍兹中心）
本研究在元素系统上评估了通用机器学习原子势能函数的性能，发现其在不同金属组中的表现差异显著，揭示了搜索效率与结构保真度之间的脱耦问题。
2025-12-29 cond-mat.mtrl-sci
