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
Development of Interatomic Potential for Al-Tb Alloy by Deep Neural Network Learning Method
本研究利用深度神经网络学习方法，基于从头算分子动力学数据构建Al90Tb10成分的Al-Tb合金原子间势，该势在能量、力、液态结构、晶相形成能及金属玻璃结构因子预测上均达到高精度。
2020-03-28 cond-mat.dis-nn cond-mat.mtrl-sci physics.comp-ph
Exact average many-body interatomic interaction model for random alloys
针对随机合金模拟中随机采样平均的难题，提出在原子间势层面平均的模型，基于线性机器学习势推导解析展开，预测NbMoTaW位错核心结构且与DFT一致。
2024-08-02 cond-mat.mtrl-sci physics.comp-ph
Local Order Average-Atom Interatomic Potentials
University of Minnesota（明尼苏达大学）；Carleton University（卡尔顿大学）
研究通过利用部分径向分布函数信息扩展有效平均原子方法以考虑局部有序效应，提出局部有序平均原子方法，经统计力学论证导出并验证，能捕捉局部有序，降低计算成本。
2026-07-07 cond-mat.mtrl-sci physics.comp-ph
Interatomic potential for the compound-forming Li-Pb liquid alloy
液态合金的原子模拟面临着正确模拟基本热力学性质的挑战。本文给出了Li-Pb体系的原子间相互作用势，并对Li-Pb合金的物理性质进行了研究。尽管复杂性，由于锂铅是一个化合物形成系统，预计电荷转移，我们在这里展示了如何的经验EAM形式主义是能够令人满意地描述在很宽的范围内的锂浓度的几个物理性质。应用我们的潜力，锂铅共晶，使我们能够正确地预测许多物理性质的实验观察和计算与从头算技术，以这种方式提供了一个潜在的适合未来的研究背景下的氚增殖毯设计聚变技术。
2013-09-24 cond-mat.mtrl-sci
Fine-tuning of universal machine-learning interatomic potentials for high-entropy alloys with application to 2D (Mo,Ta,Nb,W,V)S$_2$
University of Oulu（奥卢大学）
本文研究了通用机器学习互原子势在二维过渡金属硫化物高熵合金中的适用性，开发了有效的微调策略，通过系统生成和选择训练结构，验证了微调模型在预测混合能方面的高精度。
2026-08-04 cond-mat.mtrl-sci physics.comp-ph
Accelerating Amorphous Alloy Discovery: Data-Driven Property Prediction via General-Purpose Machine Learning Interatomic Potential
本文开发了首个面向非晶合金的通用机器学习原子间势，基于20400个构型训练，在能量和力预测上达到近DFT精度，可准确预测密度、杨氏模量和玻璃化转变温度等宏观性质，为数据驱动设计和高通量成分筛选奠定基础。
2025-08-16 cond-mat.mtrl-sci
Universal machine learning interatomic potentials poised to supplant DFT in modeling general defects in metals and random alloys
本研究验证了预训练通用机器学习原子间势可替代DFT精准建模金属与合金的各类缺陷，EquiformerV2精度超越专用势，同时指出架构与跨元素大数据集的重要性，为材料研发提供高效工具。
2025-06-09 cond-mat.mtrl-sci physics.comp-ph
Sparse random Fourier features based interatomic potentials for high entropy alloys
本文提出基于稀疏随机傅里叶特征的高熵合金原子间势，以低计算成本实现接近DFT精度的力、熔化行为、缺陷及高温自扩散等性质预测。
2023-12-01 cond-mat.mtrl-sci
Modified embedded-atom method interatomic potentials for the Mg-Al alloy system
采用基于密度泛函理论（DFT）的第一性原理方法，建立了Mg-Al合金体系的修正嵌入原子法（MEAM）原子间相互作用势。材料参数，如内聚能，平衡原子体积，和体积模量，被用来确定MEAM参数。面心立方、六方密堆积和立方岩盐结构分别用作Al、Mg和MgAl的参考结构。通过对各种几何形状的Mg和Al原子进行模拟，证明了新的MEAM势对研究Mg-Al合金的原子模拟的适用性。用新的MEAM势计算了Al和Mg原子在Al（111）和Mg（0001）表面的吸附能。计算了空位、间隙缺陷和替位缺陷等点缺陷的形成能和几何形状。我们发现，新的MEAM电位给出了一个更好的整体协议与DFT计算和实验相比，以前公布的MEAM电位。
2006-12-19 cond-mat.mtrl-sci
A collinear-spin machine learned interatomic potential for Fe$_{7}$Cr$_{2}$Ni alloy
本文基于GAP框架为Fe$_{7}$Cr$_{2}$Ni合金开发了接近DFT精度且支持更大尺度的机器学习原子间势，并扩展出共线自旋模型以预测磁性自旋态引起的结构畸变，为高精度模拟奥氏体钢老化迈出重要一步。
2024-03-08 cond-mat.mtrl-sci
Development of a Plasticity-oriented Interatomic Potential for CrFeMnNi High Entropy Alloys
用嵌入原子法（EAM）建立了CrFeMnNi四元HEAs的原子间相互作用势（EAM-21）。这种潜力是基于先前开发的CrFeNi三元合金的潜力。通过拟合实验值、密度泛函理论（DFT）和热力学计算来确定开发潜力的参数，以再现主要晶体特征，即：fcc相的稳定性、弹性常数和堆垛层错能。它的适用性的塑性形变机制的研究进行了检查的行为的计算$< 110>\left \{1111 \right \}$刃位错在等原子四元CrFeMnNi合金，以及它的不太复杂的子系统（三元，二元，和纯金属）。在0和900 K之间的温度域中进行的计算，在这个温度范围内的刃型位错和面心立方相稳定性的平滑和稳定的滑移得到证实。这项研究表明，适合的EAM-21潜在的CrFeMnNi HEAs的塑性机制和机械性能的分析。
2022-01-06 cond-mat.mtrl-sci physics.atm-clus
Radiation damage and phase stability of Al$_x$CrCuFeNi$_y$ alloys using a machine-learned interatomic potential
University of Helsinki（赫尔辛基大学）
本研究利用机器学习互原子势分析Al$_x$CrCuFeNi$_y$合金的辐射损伤与相稳定性，发现等原子组成下FCC向BCC转变，并揭示不同合金成分在辐照下的缺陷浓度差异及短程有序现象。
2025-08-27 cond-mat.mtrl-sci
An Active Learning Interatomic Potential For Defect-Engineered CoCrFeMnNi High-Entropy Alloy
针对CoCrFeMnNi高熵合金原子间势缺失的问题，本研究结合主动学习方案训练含缺陷构型的矩张量势MTP，其预测性能优于MEAM势，已嵌入LAMMPS公开可用。
2025-11-16 cond-mat.mtrl-sci
On phase separation and crystallization of Ge-rich GeSbTe alloys from atomistic simulations with a machine learning interatomic potential
University of Milano-Bicocca（米兰比可卡大学）
本文提出一种机器学习互原子势，用于模拟Ge富GeSbTe合金的相分离与结晶过程，揭示短时间操作条件下动力学效应导致的非平衡相变机制。
2026-04-15 cond-mat.dis-nn cond-mat.mtrl-sci
Bayesian calibration of interatomic potentials for binary alloys
发展可靠的原子间相互作用势模型，并量化预测精度，是原子模拟的关键。常用的电位，如通过嵌入原子方法（EAM）构建的电位，来自半经验考虑，包含必须基于训练数据拟合的未知参数。在目前的工作中，我们调查贝叶斯校准作为一种手段，拟合二元合金的EAM电位。贝叶斯设置自然地同化了关于不确定量的概率断言。通过这种方式，模型参数和模型误差的不确定性可以通过对训练数据进行调节来更新，然后进行预测。我们应用这些技术来调查一个家庭的金-铜系统，其中的训练数据对应于密度泛函理论值的晶格参数，混合双折射率，和各种弹性常数的EAM潜力。通过使用预测分布，我们展示了潜力的局限性，并强调了模型误差统计公式的重要性。
2022-08-03 cond-mat.mtrl-sci physics.data-an
Solid-Liquid Phase Diagrams for Binary Metallic Alloys: Adjustable Interatomic Potentials
我们开发了一种新的方法来确定合金的LJ-EAM势，并使用这些来确定二元金属合金的固-液相图，使用Kofke的吉布斯-杜亨积分技术结合半随机正则蒙特卡罗模拟。我们证明，它是可能的，以产生广泛的实验观察到的二元相图（没有金属间相）通过参考的两种元素材料的原子大小和内聚能。在某些情况下，使用单个可调参数来调整相图是有用的（我们为这个自由参数提供了一个很好的选择）。接下来，我们进行了系统的调查的相对原子大小和结合能的元素上的二元相图的效果。然后，我们表明，这种方法导致良好的协议与几个实验的二元相图。这种方法的主要好处不是准确地再现实验相图，而是提供一种方法，通过这种方法可以在模拟研究中连续改变材料的性质。这是使用原子模拟以实验无法获得的方式理解机制和属性的关键之一。
2006-11-20 cond-mat.mtrl-sci
Unveiling the crystallization kinetics in Ge-rich Ge$_x$Te alloys by large scale simulations with a machine-learned interatomic potential
本文开发了一种高精度的机器学习原子间势，用于大规模分子动力学模拟，揭示了富Ge的Ge$_x$Te合金中依赖于温度的相分离与结晶动力学机制，为提升相变存储器性能提供了重要参考。
2024-04-23 cond-mat.dis-nn cond-mat.mtrl-sci
Composition-dependent interatomic potentials: A systematic approach to modelling multicomponent alloys
我们提出了一个简单的计划来构建成分依赖的多组分系统的原子间势，当叠加到纯元素的电位上时，不仅可以再现在整个浓度范围内的固溶体的混合热，而且还可以再现包括金属间相在内的更广泛的配置的能量。我们表明，在集群相互作用的扩展提供了一种方法来系统地提高模型的准确性，它是简单的概括这一过程的多组分系统。浓度相关的原子间相互作用势可以建立在几乎任何类型的纯元素势的基础上，包括嵌入原子法（EAM），修正的EAM，键序和Stillinger-Weber型势。一般来说，总能量中的成分依赖的N体项导致显式的（N+1）体力，这可能使它们在计算上昂贵。我们提出了一种算法，克服了这个问题，可以加快计算的组成相关的对电位的力量，以这样一种方式，使他们计算可比的效率和缩放行为的标准EAM潜力。我们还讨论了在蒙特卡罗模拟中的实现。最后，我们示例性地回顾了Fe-Cr系统的成分依赖的EAM模型[PRL 95，075702（2005）]。
2012-01-30 cond-mat.mtrl-sci
Complex strengthening mechanisms in nanocrystalline Ni-Mo alloys revealed by a machine-learning interatomic potential
纳米晶金属的强度随着其晶粒尺寸的减小而显著增加，这种现象称为Hall-Petch关系。然而，当颗粒变得太小时，这种关系就破裂了。实验研究已经通过稳定晶界（GB）在一组Ni-Mo合金中规避了这个问题。在这里，使用基于机器学习的原子间势（ML-IAP）的原子模拟，我们证明了逆Hall-Petch关系可以正确地再现，这是由于在Ni-Mo多晶中晶粒变小时主导变形机制的变化。据发现，原子冯米塞斯应变可以显着降低通过溶质掺杂和/或退火的小晶粒尺寸的多晶体，导致多晶体的强度增加。另一方面，对于大晶粒尺寸的多晶体，退火由于GB区域中的大的原子运动而弱化材料。在很宽的晶粒尺寸范围内，溶质和退火效应的叠加使小晶粒的强度比大晶粒的强度提高得多，从而导致在极小晶粒尺寸下的连续强化。总的来说，这项研究不仅证明了ML-IAP的可靠性，而且还提供了纳米晶体中复杂强化机制的全面原子观，开辟了一条新的途径来定制其机械性能。
2023-02-17 cond-mat.mtrl-sci
Machine-learned interatomic potential for titanium carbide MXenes: Application to ion irradiation simulations
University of Helsinki（赫尔辛基大学）
研究针对裸露的Ti$_{n+1}$C$_n$ MXenes开发机器学习原子间势，用于离子辐照模拟。通过密度泛函理论计算训练，该势展现良好性能，模拟结果为MXenes缺陷工程提供指导，也为其他MXenes的原子模拟提供范例。
2026-07-08 cond-mat.mtrl-sci physics.comp-ph
Benchmarking Chemically Scalable Machine-Learning Interatomic Potentials for Large-Scale Simulations of Multicomponent Alloys
State Key Laboratory of Nonlinear Mechanics, Institute of Mechanics, Chinese Academy of Sciences（中国科学院力学研究所非线性力学国家重点实验室）；Department of Materials Science and Engineering, Faculty of Mechanical Engineering, Delft University of Technology（代尔夫特理工大学机械工程学院材料科学与工程系）；Faculty of Engineering Technology, University of Twente（特温特大学工程技术学院）；Laboratory for multiscale mechanics and medical science, SV LAB, School of Aerospace, Xi’an Jiaotong University（西安交通大学航天学院SV多尺度力学与医学科学实验室）；College of Physical Science and Technology, Bohai University（渤海大学物理科学与技术学院）
本研究基准测试了两种化学可扩展的机器学习原子间势（NEP和GRACE）在16种元素金属及其多组分合金中的表现，发现GRACE-FS在训练效率、精度和鲁棒性上更优，而UNEP-v1推理速度更快，并通过三百万原子冲击模拟展示了不确定性感知模拟的能力。
2026-06-23 cond-mat.mtrl-sci
Li-P-S Electrolyte Materials as a Benchmark for Machine-Learned Interatomic Potentials
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
Construction and Tuning of CALPHAD Models Using Machine-Learned Interatomic Potentials and Experimental Data: A Case Study of the Pt-W System
本研究提出开源高效的PhaseForgePlus工作流，结合机器学习势与实验数据构建校准CALPHAD模型，以Pt-W体系验证其可通过梯度优化快速得到准确相图的吉布斯能描述。
2025-08-01 cond-mat.mtrl-sci 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
Rapid Production of Accurate Embedded-Atom Method Potentials for Metal Alloys
在合金设计中大规模使用经典分子动力学的最关键限制是合适的原子间相互作用势的可用性。在这项工作中，我们展示了一个简单的程序来生成一个库的准确的二元电位使用已经存在的单元素的潜力，可以很容易地结合起来，形成多组分合金电位。对于Al-Ni，Cu-Au，和Cu-Al-Zr系统，我们表明，这种方法产生的结果可比的准确度合金电位，其中所有部分已被同时拟合，没有额外的计算费用。此外，我们证明适用于结晶和非晶相。
2012-09-04 cond-mat.mtrl-sci physics.comp-ph
Efficient moment tensor machine-learning interatomic potential for accurate description of defects in Ni-Al Alloys
本研究针对传统矩张量势（MTP）的矩张量缩并优化问题，提出基于遗传算法的优化方案，在提升效率近一个数量级的同时提高精度，应用于Ni-Al合金缺陷建模表现优于半经验势。
2025-05-13 cond-mat.mtrl-sci
Multiscale machine-learning interatomic potentials for ferromagnetic and liquid iron
我们开发并比较了四种铁原子间势：一个简单机械学习的嵌入原子方法（EAM）势，一个机器学习的两体和三体相关项的势，一个机器学习的EAM和三体项的势，以及一个SOAP描述符的高斯近似势。所有的势都被训练到用密度泛函理论计算的体心立方和液体结构的相同的不同数据库。四个潜在的代表不同层次的复杂性和跨越三个数量级的计算成本。前三个潜在的制表和评估有效地使用三次样条插值，而第四个实施没有额外的优化。我们比较和讨论的优势，每一个实施，可转移性和适用性方面的平衡所需的精度与计算成本。
2022-01-25 cond-mat.mtrl-sci physics.comp-ph
Fast and accurate machine-learned interatomic potentials for large-scale simulations of Cu, Al and Ni
本研究基于高斯近似势（GAP）方法开发了Cu、Al和Ni的低维表格版本（tabGAP）机器学习原子间势，计算效率提升两个数量级，可模拟数百万原子系统，并广泛验证了其在材料性质和压缩加载模拟中的表现。
2024-08-28 cond-mat.mtrl-sci physics.comp-ph
Development and Validation of Interatomic Potential for Sc and Al-Sc Alloys: Thermodynamics, Solidification, and Intermetallic Ordering
本文提出了一种用于钪和铝-钪合金的改进嵌入原子方法势能，通过统一热力学和凝固行为，实现了对合金相变和有序结构的准确模拟。
2025-12-10 cond-mat.mtrl-sci
Precipitate phase selection and grain boundary morphology in Cu-Ni-Si-Mn alloys: A machine-learning interatomic potential study
Korea Electrotechnology Research Institute (KERI)（韩国电工技术研究所）；Korea Institute of Materials Science (KIMS)（韩国材料科学研究所）；Seoul National University（首尔大学）；University of Science and Technology (UST)（科学技术联合大学院大学）；Korea Institute for Advanced Study（韩国高等研究院）
通过机器学习原子间势计算，揭示了Mn添加促进Cu-Ni-Si合金中G相而非Ni2Si的晶界析出，并解释了Ni2Si的不规则形貌与G相的薄膜状形貌的原子起源。
2026-07-21 cond-mat.mtrl-sci
General-Purpose Machine-Learned Potential for CrCoNi Alloys Enabling Large-Scale Atomistic Simulations with First-Principles Accuracy
Aalto University（阿尔托大学）；NOMATEN Centre of Excellence, National Center for Nuclear Research（国家核研究中心卓越中心）
本文提出一种通用机器学习势能模型，用于CrCoNi合金，实现高精度大尺度原子模拟，准确预测相变和力学性能。
2026-03-26 cond-mat.mtrl-sci physics.comp-ph
Statistical Thermodynamics and Ordering Kinetics of D019-Type Phase: Application of the Models for H.C.P.-Ti-Al Alloy
采用自洽场近似、静态浓度波近似和Onsager型动力学方程，建立了D 019相原子有序化的统计热力学和动力学描述，并应用于h. c. p. - Ti-Al合金有序-无序相变模型描述了h. c. p.固溶体向D 019相的相变。原子间相互作用参数估计的两个近似：一个假设温度无关的原子间相互作用参数，而另一个包括温度依赖的Ti-Al合金的交换能。部分Ti-Al相图（共存的有序相和无序相的平衡成分）的评估为这两种情况。分析了D 019型长程序（LRO）参量的时间依赖关系。的曲线（显示的LRO参数的演变）数值得到的温度无关的相互作用能和温度相关的。原子间相互作用能的温度依赖性加速了LRO弛豫，并减小了瞬时和平衡LRO参数随温度变化的值的扩散。热力学-热力学和动力学结果表明，在高温下，非化学计量比（其中合金组分的原子分数大于0.25）的平衡LRO参数可以高于化学计量比。实验相图证实了h. c. p.的预测（有序或无序）状态。钛铝合金
2014-06-01 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
Study of ordering in (MoCrTi)$_{100-x}$Al$_x$ refractory high-entropy alloys using machine learning interatomic potential
Montanuniversität Leoben（莱奥本矿业大学）；Graz University of Technology（格拉茨工业大学）
研究利用机器学习原子间势结合模拟，探究(MoCrTi)(100 - x)Alx难熔高熵合金的有序化，分析其热容量、短程有序参数及结构，确定有序化与机械刚度关系，为该合金设计提供指导。
2026-08-17 cond-mat.dis-nn 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
Revealing interstitial energetics in Ti-23Nb-0.7Ta-2Zr gum metal base alloy via universal machine learning interatomic potentials
Czech Technical University in Prague（布拉格捷克理工大学）；FZU – Institute of Physics of the Czech Academy of Sciences（捷克科学院物理研究所）
研究通过三种通用机器学习 interatomic 潜力高效表征 Ti-23Nb-0.7Ta-2Zr 基合金中 C、N、O、H 间隙体能学，揭示局部化学环境对间隙稳定性的影响。
2026-06-06 cond-mat.mtrl-sci
Interatomic Fe-Cr potential for modeling kinetics on Fe surfaces
为了使精确的分子动力学模拟的铁铬合金的表面，我们开发，基于密度泛函理论（DFT）计算，一个新的原子间的铁铬Tersoff形式主义的潜力。相反，以前的潜在的模型，这已被设计为散装Fe-Cr，我们扩展我们的潜在的拟合数据库，不仅包括传统的散装性能，但也在体心立方铁的Cr的表面偏析能。在再现我们的DFT结果的散装性能，新的潜力被发现是优于以前开发的Tersoff势和竞争力的浓度依赖性和双带嵌入原子方法的潜力。对于Cr向Fe-Cr合金表面的偏析，只有新的电位与我们的DFT计算一致，预测Cr优先偏析到最顶层的表面层，而不是其他电位优选的第二层。我们希望这次整改能促进未来的研究，例如，从原子水平上研究不锈钢的耐腐蚀机理。
2021-05-26 cond-mat.mtrl-sci
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
Atomic-scale expressions for viscosity and fragile-strong behavior in metal alloys based on the Zwanzig-Mountain formula
我们将$T$依赖的过冷液体粘度的推压模型与高频剪切模量的Zwanzig-Mountain公式相结合，使用金属合金的MD模拟的$g(r)$作为输入。该方案导致作为温度的函数的粘度的半解析表达式，其提供了计算$g(r)$的相同合金的粘度的实验数据的三参数模型拟合。该模型提供了直接访问的影响，原子尺度的物理量，如原子间的潜力$ϕ(r)$，粘度和脆强的行为。特别是，它建立了一个陡峭的原子间排斥导致脆弱的液体，或者相反，“软原子使强液体”。
2020-07-24 cond-mat.dis-nn cond-mat.mtrl-sci cond-mat.soft
First-principles study of exchange interactions and Curie temperatures of half-metallic ferrimagnetic full Heusler alloys Mn2VZ (Z=Al, Ge)
采用无参数密度泛函理论计算了半金属亚铁磁全Heusler合金Mn 2 VZ（Z=Al，Ge）的原子间交换作用和居里温度.为了计算原子间的交换作用，我们采用了冻结磁振子方法。在平均场近似下，通过求解多子晶格系统的矩阵方程，计算了经典海森堡哈密顿量的居里温度。我们的计算表明，虽然一个大的磁矩进行的Mn原子，竞争的铁磁（内部亚晶格）和反铁磁（内部亚晶格）Mn-Mn相互作用在Mn 2 VAl几乎相互抵消的平均场所经历的Mn原子。在Mn_2VGe中，主要的Mn-Mn交换作用是反铁磁的。在这两种化合物的Mn子系统的铁磁性是有利的强反铁磁Mn-V相互作用。Mn_2VAl的居里温度与实验值符合较好。对于Mn 2 VGe，没有可用的实验信息，我们的计算是预测。
2005-04-26 cond-mat.mtrl-sci
Machine learning interatomic potentials for solid-state precipitation
Laboratory of materials design and simulation (MADES), Institute of Materials, École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院材料研究所材料设计与模拟实验室）；National Centre for Computational Design and Discovery of Novel Materials (MARVEL), École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院国家新材料计算设计与发现中心）
本文提出了一种用于建模多组分合金共析反应的机器学习互原子势参数化方法，通过误差度量和数据生成方案提升了模型的准确性，并揭示了时效热处理中晶格结构的连续转变。
2026-01-19 cond-mat.mtrl-sci
Machine-learned interatomic potential for sputtering of tungsten-boron surfaces
University of Helsinki（赫尔辛基大学）
本文开发了一种用于W-B结构溅射及硼沉积的机器学习原子间势，经密度泛函理论数据训练，可实现大规模分子动力学模拟，揭示了表面构型、组成对溅射的影响及硼沉积形成致密层的特性，可用于W-B混合体系模拟。
2026-08-14 cond-mat.mtrl-sci
Machine Learned Interatomic Potential for Dispersion Strengthened Plasma Facing Components
钨（W）是偏滤器材料的选择材料，这是由于其高熔化温度、热导率和溅射阈值。然而，W具有非常高的脆韧转变温度，并且在聚变反应堆温度（$\geq$ 1000 K）下可经历再结晶和晶粒生长。碳化锆（ZrC）弥散强化W可以改善塑性并限制晶粒长大，但弥散体对高温下组织演变和热机械性能的影响尚不清楚。我们提出了一个机器学习的光谱邻居分析潜力（SNAP）的W-ZrC，现在可以用来研究这些材料。为了构建一个潜在的适合于大规模的原子模拟在聚变反应堆的温度，它是必要的训练从头计算数据产生的一组不同的结构，化学环境和温度。进一步的精度和稳定性测试的潜力，实现了使用目标函数的材料性能和高温稳定性。晶格参数，表面能，体积模量，和热膨胀的验证确认优化的潜力。对W/ZrC双晶的拉伸试验表明，W（110）-ZrC（111）C端双晶在室温下具有最高的抗拉强度，但强度随温度的升高而降低。在2500 K时，终止层C扩散到W中，导致W-Zr界面变弱。同时，W（110）-ZrC（111）Zr封端的双晶在2500 K具有最高的抗拉强度。
2022-12-02 cond-mat.mtrl-sci physics.comp-ph
Benchmarking Structural Evolution Methods for Training of Machine Learned Interatomic Potentials
在为机器学习的原子间势（MLIP）创建训练数据时，通常会创建初始结构并使用分子动力学对其进行演化，以采样更大的配置空间。我们基准的其他两种模式的不断发展的结构，轮廓探索和二聚体方法搜索对分子动力学的能力，以产生多样化和强大的训练密度泛函理论数据集的MLIP。我们还详细讨论了从已知结构或随机结构中生成初始结构的问题，以进一步形式化未来的结构寻源过程。多晶型丰富的锆-氧组合物空间被用作严格的基准系统，用于比较从这些结构演化方法生成的结构上训练的MLIP的性能。使用Behler-Parrinello神经网络作为我们的机器学习原子间势模型，我们发现，轮廓探索和二聚体方法搜索一般优于分子动力学的空间描述符的多样性和统计精度。
2022-03-30 cond-mat.mtrl-sci physics.chem-ph
Variations of Interatomic Force Constants in the Topological Phonon Phase Transition of AlGaN
本研究通过VCA和SQS方法揭示AlGaN合金中Weyl声子相变及其非线性特征，发现应变和特定力常数分量主导相变，为氮化物拓扑声子研究提供微观机制。
2023-10-16 cond-mat.mtrl-sci
Optimal data generation for machine learned interatomic potentials
机器学习原子间势（MLIP）通常用于原子模拟，但生成用于拟合这些模型的原子配置数据库是一个费力的过程，需要大量的计算和人力。提出了一种计算效率高的方法来生成数据库的原子配置，包含最佳信息的小位移制度的散装结晶物质的势能面。利用非对角超原胞（NDSC），从头算数据的自动生成过程。MLIP适合于Al，W，Mg和Si，非常接近地再现从头算声子和弹性性质。该协议可以很容易地适应其他材料，并可以插入到任何风味的MLIP生成的工作流程中。
2022-07-24 cond-mat.mtrl-sci physics.chem-ph
Interatomic potential theory on the phase transition of charge density wave in transition metal dichalcogenides
过渡金属二硫族化物的电荷密度波（CDW）的模式和周期表现出复杂的相图，取决于压力，温度，金属嵌入，或硫族合金。在唯象朗道自由能模型的背景下，相图已经被理解，但它们背后的微观机制仍然不清楚。在这里，我们提出了一个新的微观理论的基础上的原子间势，并明确计算了温度依赖的相图使用从第一性原理计算提取的原子间势。利用详细的原子结构，计算得到的单层H-TaSe 2相图成功地再现了实验特征，如公度锁定和条纹相。我们的工作表明，电荷密度波的复杂行为起源于相对简单的原子间势结构，并阐明了晶格非谐性对CDW相变的作用。
2022-01-04 cond-mat.mtrl-sci
Accurate Screening of Functional Materials with Machine-Learning Potential and Transfer-Learned Regressions: Heusler Alloy Benchmark
Research Center for Magnetic and Spintronic Materials, National Institute for Materials Science（磁性及自旋材料研究中心，物质材料研究机构）；Digital Transformation Initiative Center for Magnetic Materials (DXMag), National Institute for Materials Science（磁性材料数字化转型倡议中心（DXMag），物质材料研究机构）
本文提出利用机器学习和迁移学习方法筛选具有高磁晶各向异性能的Heusler合金，通过高通量工作流程和密度泛函理论验证，提升材料预测精度。
2026-01-02 cond-mat.mtrl-sci
Symmetry-restricted energy landscapes as a benchmark for machine learned interatomic potentials
Linköping University（林雪平大学）
本文通过分析对称限制的能量景观，评估了机器学习互原子势在重现势能面细节方面的准确性和局限性，为未来模型开发提供基准。
2026-02-02 cond-mat.mtrl-sci
Interatomic Potential in a Simple Dense Neural Network Representation
原子尺度的模拟为理解材料的力学性能提供了一种直接有效的方法。在经典力学体系中，金属和合金的热力学性质的模拟可以通过求解运动方程或进行Monte Carlo采样来完成。精确模拟这样的物理系统以产生忠实的物理量的关键组成部分是使用适当的势场或力场。在本文中，我们将探索使用机器学习领域的方法来克服和绕过原子系统拟合势时遇到的困难。特别是，我们将表明，经典的潜力可以表示一个稠密的神经网络具有良好的精度。
2019-11-04 cond-mat.mtrl-sci cond-mat.stat-mech physics.comp-ph
MLIP-MC: A Framework for Adsorption Simulations using Machine-Learned Interatomic Potentials
School of Physics, Chemistry and Earth Sciences, Adelaide University（阿德莱德大学物理、化学与地球科学学院）
MLIP-MC框架通过机器学习互原子势进行吸附模拟，揭示了通用模型在吸附预测中的系统性偏差及微调需求。
2026-02-14 cond-mat.mtrl-sci
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
General-purpose machine-learned potential for 16 elemental metals and their alloys
针对通用机器学习势（MLPs）覆盖元素及合金范围有限的问题，提出构建统一通用MLP的方法并开发UNEP-v1模型，其在16种元素金属及合金的多物理性质上性能优于嵌入原子方法势，且通过实验验证及大规模模拟证明有效性，推动通用MLP向覆盖周期表迈进。
2024-06-12 cond-mat.mtrl-sci physics.comp-ph
