Fast and Sample-Efficient Interatomic Neural Network Potentials for Molecules and Materials Based on Gaussian Moments
人工神经网络（NN）是最常用的机器学习方法之一，用于构建原子间相互作用势，并以几乎从头算的准确度实现高效的大规模原子模拟。然而，同时训练NN的能量和力量，这是一个先决条件，例如，分子动力学模拟，要求很高。在这项工作中，我们提出了一种改进的神经网络架构的基础上，以前的GM-NN模型[V. Zaverkin和J. Kästner，J.化学理论计算。16，5410-5421（2020）]，其显示了改进的预测准确度和显著减少的训练时间。此外，我们将高斯矩为基础的原子间势的适用性扩展到周期性系统，并展示了各自模型的整体优良的可转移性和鲁棒性。通过改进的方法进行快速培训是主动学习或动态学习等培训繁重工作流程的先决条件。
2021-09-20 physics.comp-ph stat.ML
Scalable Data-Driven Basis Selection for Linear Machine Learning Interatomic Potentials
University of British Columbia（不列颠哥伦比亚大学）
本文提出基于主动集算法的数据驱动特征选择方法，用于提升原子簇扩展模型的计算效率、泛化准确性和可解释性。
2026-04-20 math.OC physics.comp-ph
Regularised Atomic Body-Ordered Permutation-Invariant Polynomials for the Construction of Interatomic Potentials
我们研究了使用不变多项式在材料系统的数据驱动的原子间相互作用势的建设。“原子体有序置换不变多项式”（aPIP）包括系统基础，并被构造为保持势能函数相对于旋转和置换的对称性。与基于核的模型和人工神经网络模型相比，将总能量显式分解为原子体有序项的总和允许保持拟合的维度相当低，对于5体项仅为10。这种分解有助于势的可解释性，因为低体阶分量可以独立地研究和解释。此外，虽然多项式基函数被认为外推差，我们表明，低维结合仔细正则化实际上导致更好的可转移性比高维，基于内核的高斯近似势。
2019-10-14 cond-mat.mtrl-sci physics.comp-ph
Combining phonon accuracy with high transferability in Gaussian approximation potential models
机器学习驱动的原子间势，包括高斯近似势（GAP）模型，是原子模拟的新兴工具。在这里，我们解决的方法问题，如何可以适合GAP模型，准确地预测振动特性的特定区域的配置空间，同时保持灵活性和可转移性。我们使用的GAP拟合的自适应正则化，其与任何给定原子上的绝对力大小成比例，从而探索GAP正则化作为“预期误差”的贝叶斯解释，以及其对感兴趣的材料的物理性质预测的影响。该方法能够很好地预测结构不同的硅同素异形体的声子模式（在0.1-0.2 THz范围内），并且它可以与现有的拟合数据库相结合，以实现高可转移性。这些发现和工作流程预计将有助于更普遍的间隙驱动材料建模。
2020-05-14 cond-mat.mtrl-sci physics.comp-ph
Machine-learning interatomic potential for AlN for epitaxial simulation
本文采用UF3方法开发了AlN的机器学习原子间势，其在结构、力学性质及位错核心结构预测上与DFT计算和实验一致，复现了AlN同质外延的纤锌矿结构及逐层生长模式，实现了大规模原子模拟。
2025-11-11 cond-mat.mtrl-sci physics.comp-ph
Self-consistent Coulomb interactions for machine learning interatomic potentials
本文提出自洽库仑相互作用的数学框架，在机器学习原子间势中兼顾电荷平衡与局部可迁移性，并给出水团簇能量和电子密度拟合方案。
2024-06-16 cond-mat.mtrl-sci physics.comp-ph
Development of a general-purpose machine-learning interatomic potential for aluminum by the physically-informed neural network method
摘要原子间相互作用势是大尺度材料原子模拟的重要组成部分。最近提出的物理信息神经网络（PINN）方法结合了人工神经网络实现的高维回归与适用于金属和非金属的基于物理的键序原子间势。在本文中，我们提出了PINN方法的修改版本，该版本加速了势训练过程，并进一步提高了PINN势到未知原子环境的可移植性。作为一个应用程序，已开发了一个修改的PINN势的Al电子结构计算的大型数据库上的培训。该势再现了每个原子2.6 meV内的参考第一原理能量，并准确地预测了Al的宽范围的物理性质。这些性质包括但不限于晶格动力学、热膨胀、点缺陷和扩展缺陷的能量、熔化温度、液体Al的结构和动力学性质、液体表面和固-液界面的表面张力、以及晶界裂纹的成核和生长。PINN势的计算效率也进行了讨论。
2020-11-09 cond-mat.mtrl-sci physics.comp-ph
Machine-learned Interatomic Potentials for Alloys and Alloy Phase Diagrams
我们引入机器学习的潜力Ag-Pd来描述能量的合金配置在很宽的范围内的组成。我们比较两种不同的方法。矩张量势（MTP）是原子间距离和角度的多项式函数。高斯近似势（GAP）框架使用核回归，我们使用原子位置的平滑重叠（SOAP）表示原子邻域，该原子邻域由邻域密度的球形傅立叶变换的功率谱提供的一组完整的旋转和置换不变量组成。这两种类型的潜力提供了很好的精度为广泛的组合物和竞争对手的集群扩展，该系统的基准的准确性。虽然这两种模型都能够描述远离晶格位置的小变形，但SOAP-GAP在可转移性方面表现出色，如配置之间的合理转换路径所示，而MTP由于其较低的计算成本而允许计算组成相图。考虑到这两种方法的表现以及集群扩展，但会产生非晶格模型，我们希望他们在合金的计算材料建模开辟新的途径。
2019-07-09 cond-mat.mtrl-sci physics.comp-ph
Deep machine learning potentials for multicomponent metallic melts: development, predictability and compositional transferability
在材料模拟中使用机器学习原子间相互作用势（MLIP）是一种最先进的方法，其允许实现几乎\textit{ab initio}的准确度，同时计算成本降低几个数量级。多组分无序系统由于拓扑无序和组分无序而具有高度复杂的势能面。这就产生了MLIP开发中的问题，如最佳设计策略的潜力和他们的可预测性和可转移性。在这里，我们解决MLIP多组分金属熔体作为一个方便的例子，三元铝-铜-镍的。我们使用DeePMD工具包中实现的多体深度机器学习潜力来构建MLIP，该MLIP允许在整个组成范围内描述系统的原子结构和动力学。这样做，我们考虑不同的神经网络超参数集和学习方案，以创建最佳MLIP，与\textit{ab initio}和实验数据相比，它允许存档良好的准确性。我们发现，发达的MLIP表现出良好的成分可转移性，这远远超出了成分波动的培训配置。所得结果为用MLIPs模拟多元金属合金的结构和动力学性质开辟了前景。
2021-10-26 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Tadah! A Swiss Army Knife for Developing and Deployment of Machine Learning Interatomic Potentials
Tadah! 是一个模块化 C++ 平台，集成复合描述符、BLR/KRR 回归与超参数优化循环，用于开发、优化并借助 LAMMPS 接口在分子动力学模拟中部署机器学习原子间势。
2025-02-04 cond-mat.mtrl-sci physics.comp-ph
A Study on the Fine-Tuning Performance of Universal Machine-Learned Interatomic Potentials (U-MLIPs)
本文研究MACE-MP-0与MACE-MP-0b两个U-MLIP基础模型的微调，表明任务数据微调可提升精度、加快收敛甚至超越从头训练，并强调数据集过滤或主动学习的重要性。
2025-06-09 physics.comp-ph
Transferable Interatomic Potentials for Aluminum from Ambient Conditions to Warm Dense Matter
本研究利用机器学习原子间势，基于DFT-MD数据训练单一模型，成功模拟铝从环境到温稠密物质（高达60,000 K）的输运和材料性质，克服了计算限制，验证了势的可迁移性。
2023-04-19 cond-mat.mtrl-sci physics.comp-ph physics.plasm-ph
Geometry-enhanced Pre-training on Interatomic Potentials
针对机器学习原子间势标记数据不足的问题，提出两阶段几何增强预训练范式，通过经典MD生成大量无标记3D构型，结合掩码、去噪、对比学习捕捉几何信息，以低计算成本提升不同图神经网络架构下MLIPs的精度与泛化性。
2024-04-13 physics.chem-ph physics.comp-ph
Gaussian approximation potentials for body-centered-cubic transition metals
我们使用高斯近似势框架开发了一组元素V，Nb，Mo，Ta和W的机器学习原子间势。该电位对弹性、热、液体、缺陷和表面性质显示出良好的精度和可转移性。所有的潜力都增加了准确的排斥势，使它们适用于辐射损伤模拟涉及高能碰撞。我们详细研究了熔化和液体性质，并使用电位为所有五种元素提供高达400 GPa的熔化曲线。
2020-10-06 cond-mat.mtrl-sci physics.comp-ph
Load balancing for adaptive-precision interatomic potentials in materials science
Jülich Supercomputing Centre (JSC), Forschungszentrum Jülich（于利希超级计算中心，于利希研究中心）；Interdisciplinary Centre for Advanced Materials Simulations (ICAMS), Ruhr Universität Bochum（鲁尔大学波鸿跨学科高级材料模拟中心）
针对自适应精度原子间势模拟，比较LAMMPS与ALL库的负载均衡方法，ALL修正张量法将不平衡因子从3.0降至1.7，并提出理想负载均衡频率策略。
2026-09-16 physics.comp-ph
On-the-Fly Machine Learning of Interatomic Potentials for Elastic Property Modeling in Al-Mg-Zr Solid Solutions
本研究通过即时机器学习与MACE神经网络构建Al-Mg-Zr固溶体原子间势，高效预测弹性质，与实验偏差在几GPa内，为铝合金设计提供可靠工具。
2025-08-08 cond-mat.mtrl-sci physics.comp-ph
From Energy-Force Weighting to Primal-Dual Optimization of Machine-Learned Interatomic Potentials
School of Mathematical Sciences, Institute of Natural Sciences and MOE-LSC, Shanghai Jiao Tong University（上海交通大学数学科学学院、自然科学研究院和教育部线性科学中心）；Department of Mathematics, National University of Singapore（新加坡国立大学数学系）
针对机器学习原子间势的能量-力平衡问题，提出力约束拟合方法，通过原对偶优化替代权重选择，在多个体系上实现6.7-8.9倍加速并改善模型选择。
2026-10-02 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
ColabFit Exchange: open-access datasets for data-driven interatomic potentials
针对数据驱动原子间势缺乏公开数据集的问题，提出ColabFit Exchange数据库，提供多领域系统组织的数据集，并展示端到端IP开发流程。
2023-09-06 cond-mat.mtrl-sci physics.comp-ph
Automated discovery of a robust interatomic potential for aluminum
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）
分子动力学模拟的准确性关键取决于用于产生力的原子间势。黄金标准将是第一原理量子力学（QM）计算，但这些在大规模模拟中变得过于昂贵。基于机器学习（ML）的潜力旨在以大幅降低的计算成本忠实地仿真QM。ML潜力的准确性和鲁棒性主要受到训练数据集的质量和多样性的限制。使用主动学习（AL）的原则，我们提出了一个高度自动化的方法来构建数据集。该策略是使用正在开发的ML潜力来采样新的原子配置，并且每当达到ML不确定性足够大的配置时，收集新的QM数据。在这里，我们试图突破自动化的极限，从AL过程中删除尽可能多的专业知识。所有采样使用MD模拟从初始无序配置开始进行，并经历由随时间变化的施加温度驱动的非平衡动力学。我们证明了这种方法，通过建立一个ML潜在的铝（ANI-Al）。经过多次AL迭代，ANI-Al可以预测熔体中的径向分布函数，液固共存曲线和晶体性质，如缺陷能和势垒。为了证明可转移性，我们进行了1.3M原子冲击模拟，并表明ANI-Al预测同意非常好的DFT计算从非平衡动力学采样的局部原子环境。有趣的是，休克中出现的配置似乎在AL训练数据集中得到了很好的采样，我们用视觉方式说明了这一点。
2020-08-24 cond-mat.mtrl-sci cs.LG physics.comp-ph
Fast, accurate, and transferable many-body interatomic potentials by symbolic regression
Johns Hopkins University（约翰斯·霍普金斯大学）
原子模拟的长度和时间尺度受到用于预测材料性质的方法的计算成本的限制。近年来，在使用机器学习算法开发快速准确的原子间势模型方面取得了很大进展，但开发具有良好概括性且速度足够快以在极端时间和长度尺度下使用的模型仍然是一个挑战。为了应对这一挑战，我们开发了一种基于遗传编程形式的符号回归的机器学习算法，该算法能够发现准确，计算效率高的多体势模型。我们方法的关键是探索基于基本物理原理的模型假设空间，并根据其准确性，速度和简单性在此假设空间内选择模型。对简单性的关注降低了过度拟合训练数据的风险，并增加了发现泛化良好的模型的机会。我们的算法进行了验证，通过重新发现一个确切的Lennard-Jones潜力和萨顿陈嵌入原子方法潜力从使用这些模型生成的训练数据。通过使用由密度泛函理论计算生成的训练数据，我们发现了元素铜的潜在模型，这些模型简单，与嵌入原子模型一样快，并且能够准确预测其训练集之外的属性。我们的方法需要相对较小的训练数据集，从而可以以合理的计算成本使用高度准确的方法生成训练数据。我们提出了我们的方法，所发现的模型的形式，并评估其可转移性，准确性和速度。
2019-08-17 cond-mat.mtrl-sci cs.CE cs.LG
Accelerating high-throughput searches for new alloys with active learning of interatomic potentials
我们提出了一种材料预测的方法，该方法使用机器学习原子间势来近似量子机械能和主动学习算法来自动选择最佳训练数据集。我们的方法显着减少了DFT计算所需的量，仅采用DFT来产生训练数据，而结构优化是使用原子间势进行的。我们的方法不限于一种（或少量）晶格类型（例如，聚类扩展的情况），并且可以预测训练数据集中不存在的晶格类型的结构。我们证明了我们的算法的有效性，通过预测以下三个系统的凸包：Cu-Pd，Co-Nb-V，和Al-Ni-Ti。我们的方法比传统的高通量DFT计算快三到四个数量级，并探索了更广泛的材料空间。在所有三个系统中，我们发现了未报告的稳定结构相比，AFLOW数据库。因为我们的方法比高通量方法或团簇扩展便宜得多，并且探索了更多的材料空间，并且因为我们的原子间相互作用势与经验势如EAM等相比具有系统可改进的精度，它将对发现新的合金相，特别是具有三种或更多种组分的合金相产生重大影响。
2018-06-27 cond-mat.mtrl-sci physics.comp-ph
Fine-Tuning Universal Machine-Learned Interatomic Potentials: A Tutorial on Methods and Applications
针对通用机器学习原子间势（U-MLIPs）微调缺乏系统指导的问题，本教程以MACE-MP-0为基础模型，提供微调全流程指南并通过案例验证其有效性，为材料建模提供实用方案。
2025-08-22 physics.comp-ph
A Performance and Cost Assessment of Machine Learning Interatomic Potentials
局部环境描述符和原子系统的势能面之间的定量关系的机器学习已经成为原子间势（IAP）发展的新前沿。在这里，我们提出了一个全面的评估ML-IAP的基础上四个本地环境描述符-贝勒-帕里内洛对称函数，平滑重叠的原子位置（SOAP），光谱邻居分析潜力（SNAP）的双谱分量，矩张量-使用不同的数据集，使用高吞吐量的密度泛函理论（DFT）计算。选择包括bcc（Li，Mo）和fcc（Cu，Ni）金属和金刚石IV族半导体（Si，Ge）的数据集以跨越晶体结构和键合的范围。所有研究的描述符表现出优异的性能，在预测的能量和力量远远超过经典的IAP，以及预测性能，如弹性常数和声子色散曲线。我们观察到的准确性和每个模型的自由度之间的一般权衡，因此计算成本。我们将在分子动力学和其他应用的模型选择的背景下讨论这些权衡。
2019-07-24 cond-mat.mtrl-sci physics.comp-ph
Beyond Adam: Disentangling Optimizer Effects in the Fine-Tuning of Atomistic Foundation Models
本研究评估了七种优化器在原子基础模型微调中的性能，发现AdamW和ScheduleFree在曲率条件和力准确性方面表现最佳，同时证明二次优化可提升物理性质的保真度。
2025-12-05 physics.comp-ph
Optimizing Machine Learning Potentials for Hydroxide Transport: Surprising Efficiency of Single-Concentration Training
Theoretical Solid State Physics, Institute of Physics, Technische Universität Ilmenau（德国魏玛应用技术大学物理研究所理论凝聚态物理）
本研究以KOH水溶液为对象，发现机器学习原子间势跨浓度可迁移性差，提出中间浓度单浓度训练策略，实现全浓度范围高精度氢氧根输运模拟，还捕捉到高浓度氢氧根氢键现象，为高效构建普适机器学习力场提供指导。
2025-05-12 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Application-specific machine-learned interatomic potentials: exploring the trade-off between DFT convergence, MLIP expressivity, and computational cost
本文研究了应用特定机器学习互原子势中DFT收敛性、MLIP表达性与计算成本之间的权衡，通过优化训练策略和模型复杂度，降低整体计算成本。
2025-12-10 cond-mat.mtrl-sci physics.comp-ph
Automated selection of the local potential for transferable pseudopotentials
我们开发了一个自动化的程序来选择一个可分离的赝势，最大限度地减少孤立原子的可转移性误差的本地潜力，我们表明，这种优化导致预测的固态性能的准确性显着提高。我们提出赝势的Y，在，和Sn。对于这些赝势，我们的方法减少了88%的平均固态误差，测量的$Δ$因子测试。这些赝势构造在Kleinman-Bylander形式;然而，我们的方法适用于所有可分离的赝势，如ONCV赝势。我们进行平面波收敛测试，根据SSSP标准，并表明修改本地潜在离开平面波收敛不变。
2018-11-02 physics.chem-ph physics.comp-ph
Modeling Chemical Exfoliation of Non-van der Waals Chromium Sulfides by Machine Learning Interatomic Potentials and Monte Carlo Simulations
本研究提出基于神经网络势的通用框架，结合模拟退火与蒙特卡洛模拟，揭示非范德华硫化铬剥离的结构相变与应变调控机制，为其高效剥离提供新路径。
2023-12-10 cond-mat.dis-nn cond-mat.mtrl-sci physics.app-ph
Efficient Training of ANN Potentials by Including Atomic Forces via Taylor Expansion and Application to Water and a Transition-Metal Oxide
人工神经网络（ANN）的潜力，使有效的大规模复杂材料的原子模型与第一原理的精度。对于分子动力学模拟，准确的能量和原子间力是先决条件，但同时训练ANN势能对来自电子结构计算的能量和力的计算要求很高。在这里，我们介绍了一种有效的替代方法，用于训练的ANN潜力的能量和力的信息的基础上外推的总能量通过泰勒展开。通过将力信息转换为近似能量，可以避免传统力训练方法所表现出的与原子数量的二次缩放，这使得能够在包含复杂原子结构的参考数据集上进行训练。我们证明了不同的材料系统，集群的水分子，散装液态水，和锂过渡金属氧化物，所提出的部队训练方法提供了实质性的改进方案，训练的能量。包括用于训练的力信息减小了ANN势构造所需的参考数据集的大小，增加了势的可转移性，并且总体上提高了力预测精度。对于一组水簇，泰勒展开方法与对所有力分量的显式训练相比，以小得多的计算成本实现了约50%的力误差改进。因此，替代力训练方法简化了一般人工神经网络潜力的预测准确的能量和不同类型的材料的原子间的力量，如这里所示的水和过渡金属氧化物。
2020-05-02 cond-mat.mtrl-sci physics.app-ph physics.chem-ph
