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
A Modified Embedded Atom Method (MEAM) Interatomic Potential for the Fe-C-H System
基于密度泛函理论，采用改进的嵌入原子方法（MEAM）建立了Fe-C-H原子间相互作用势，并对碳钢和氢进行了大规模的模块化动力学模拟.
2022-07-07 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
Structure-property relations of silicon oxycarbides studied using a machine learning interatomic potential
本研究利用机器学习原子间势拟合主动学习DFT数据，生成真实非晶硅氧碳化物结构，揭示刚度对Si-C键的微妙依赖，推翻与自由碳相相关的传统假设。
2024-03-15 cond-mat.mtrl-sci
Machine-Learned Bond-Order Potential for Exploring the Configuration Space of Carbon
The University of Tokyo（东京大学）；Shinshu University（信州大学）
本研究提出了一种基于键序势的机器学习相互原子势，用于高效探索碳的构型空间，并通过多种任务验证其在材料发现中的应用潜力。
2025-12-05 cond-mat.mtrl-sci
A Systematic Approach to Generating Accurate Neural Network Potentials: the Case of Carbon
可负担得起的和广泛适用的原子间相互作用势的可用性是解锁现代材料建模的财富所需的关键。基于人工神经网络的方法产生的潜力是有前途的，然而，神经网络训练需要大量的数据，充分采样，从一个往往未知的势能面。在这里，我们提出了一个自洽的方法，是基于晶体结构预测形式主义和指导下的无监督数据分析，构建一个准确的，廉价的和可转移的人工神经网络的潜力。使用这种方法，我们构建了一个碳原子间势，并证明了它的能力，以重现第一原理的结果，金刚石，石墨和石墨烯的弹性和振动特性，以及能量排序和结构特性的范围广泛的结晶和非晶相。
2020-11-09 cond-mat.mtrl-sci
Finding the reconstructions of semiconductor surfaces via a genetic algorithm
在这篇文章中，我们表明，半导体表面的重建可以确定使用遗传过程。再加上高度优化的原子间相互作用势，本方法是一个有效的工具，用于寻找和排序良好的结构候选人，进一步的电子结构计算和比较与扫描隧道显微镜（STM）图像。我们举例说明了Si（105）的情况下的方法，并建立了一个数据库的结构，其中包括以前发现的低能量模型，以及一些新的配置。
2004-09-18 cond-mat.mtrl-sci
Accelerating crystal structure prediction by machine-learning interatomic potentials with active learning
在这封信中，我们提出了一种新的晶体结构预测方法，它是基于进化算法USPEX和机器学习原子间相互作用势主动学习的飞行。我们的方法允许从零开始，取代昂贵的DFT与几个数量级的加速自动构建原子间的相互作用模型。然后在DFT上测试预测的低能结构，确保我们的机器学习模型不会引入任何预测误差。我们测试了我们的方法上的一个问题的预测碳同素异形体，致密的钠结构和硼同素异形体，包括那些有超过100个原子的原始细胞。所有的主要同素异形体已被复制，并在非常温和的计算工作中发现了一个新的54原子结构的硼。
2019-02-26 cond-mat.mtrl-sci
AiiDA-TrainsPot: Towards automated training of neural-network interatomic potentials
Dipartimento di Fisica, Università di Trieste（的里雅斯特大学物理系）；Scuola Internazionale Superiore di Studi Avanzati (SISSA)（高等师范学校）
本文提出AiiDA-TrainsPot工具，通过自动化流程整合密度泛函理论计算、数据增强和分子动力学，提升神经网络互原子势的训练效率与准确性。
2026-01-28 cond-mat.dis-nn cond-mat.mtrl-sci physics.comp-ph
Dark Soliton Excitations in Single Wall Carbon Nanotubes
研究了单壁碳纳米管中的暗孤子激发。首先，将Brenner多体势展开到四阶，得到了单壁碳纳米管的非线性有效原子间相互作用势和晶格纵向位移的差分方程。然后，利用多尺度方法，对于短波长晶格激发，将晶格的运动方程化为立方非线性薛定谔方程。最后讨论了亚音速下单壁碳纳米管中的暗孤子解及其激发。
2001-10-04 cond-mat.mes-hall 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
Structural and elastic properties of amorphous carbon from simulated quenching at low rates
我们从液体中的恒定体积淬火产生无定形碳（a-C）的代表性结构模型，随后在分子动力学模拟中使用经验和机器学习原子间势松弛内应力。通过改变体积和淬火速率，我们生成具有一系列密度和无定形形态的结构。我们发现，所有的a-C样品表现出普遍的杂化，体积模量和密度之间的关系，尽管有不同的内聚能。内聚能的差异可以追溯到键角分布的轻微变化，这可能会影响这些结构的热稳定性。
2019-07-11 cond-mat.mtrl-sci
A statistical-thermodynamic analysis of stably ordered substitutional structures in graphene
从理论上研究了碳原子和取代型掺杂剂（A）原子在石墨烯晶格中的有序分布及其稳定性问题。提供基于石墨烯的C7 A、C3 A和CA超结构的低温稳定性的原子间相互作用参数的值的范围在第三最近邻伊辛模型和更现实的全配位壳相互作用模型的框架内确定。第一个模型的结果在“遗漏”（不稳定）的一些预测的超结构，而第二个模型表明，所有预测的超结构是稳定的，在一定的值的原子间相互作用能。甚至原子间的短程相互作用也能提供某些超结构的稳定性，而只有长程相互作用才能稳定另一些超结构。
2014-06-02 cond-mat.mtrl-sci
Optimized Tersoff and Brenner empirical potential parameters for lattice dynamics and phonon thermal transport in carbon nanotubes and graphene
我们研究了常用的Tersoff和Brenner经验原子间势的背景下的声子分散在石墨烯。我们已经找到了一个参数集，为每个经验势，提供了改进的拟合一些结构数据和平面内的声子色散数据的石墨。这些优化的参数集产生的值的声学声子的速度与测量数据更好地吻合。它们还提供了单壁碳纳米管中的晶格热导率值，与从原始参数集获得的值相比，这些值得到了相当大的改善。
2010-03-11 cond-mat.mes-hall cond-mat.mtrl-sci
Phase Diagram of Boron Carbide With Variable Carbon Composition
碳化硼在很宽的组成范围内表现出固有的置换无序。该结构由位于菱形晶格顶点的12原子二十面体以及沿3重轴的3原子链组成。在高碳极限下，一个或两个碳可以取代二十面体上的硼，而链主要是C-B-C型。我们将原子间对相互作用模型拟合到密度泛函理论总能量来研究取代碳无序。蒙特卡罗模拟与采样改进的副本交换和增强的二维多重直方图分析，预测三个阶段。低温、高碳组成的单斜Cm“倾斜极性”结构通过一对相变而紊乱，首先经由Ising样转变到具有空间群C2/m的“双极”状态，然后经由一级3态Potts样转变到实验观察到的“非极性”\bar{R} 3 m对称性。
2016-12-16 cond-mat.mtrl-sci
A Simple and Efficient Non-DFT-Based Machine Learning Interatomic Potential to Simulate Titanium MXenes
Instituto Federal de Educação, Ciência e Tecnologia de São Paulo（圣保罗联邦教育、科学与技术学院）；Universidade Estadual de Campinas (UNICAMP)（坎皮纳斯州立大学）
本文提出一种简单高效的非DFT基于机器学习的原子间势能，用于精确模拟钛基MXenes及钛碳化物、氮化物的结构和弹性能。
2025-12-28 cond-mat.mes-hall cond-mat.mtrl-sci
Benchmarking and advancing machine-learning interatomic potentials for 3C-SiC across equilibrium and extreme conditions
Aalto University（阿尔托大学）；Queen's University（女王大学）
针对3C-SiC经验势的不足，提出基于两体和turboSOAP描述符的机器学习势TGAP，涵盖多相及21种缺陷，准确预测熔点、液相结构及碰撞级联，用于辐射损伤模拟。
2026-11-04 cond-mat.mtrl-sci
Gaussian approximation potential modeling of lithium intercalation in carbon nanostructures
我们展示了如何机器学习为基础的原子间势可以用来模拟客体原子在主机结构。具体而言，我们生成高斯近似势（GAP）模型的锂原子与石墨烯，石墨和无序碳纳米结构的相互作用，基于参考密度泛函理论（DFT）的数据。而不是治疗完整的锂-C系统，我们演示了如何从锂嵌入所产生的能量和力的差异可以建模，然后添加到一个（preexisting和未修改的）GAP模型的纯元素碳。此外，我们使用一个明确的对潜在的适合捕捉“有效的”Li-Li相互作用，以提高GAP模型的性能的好处。这为在具有基于机器学习的潜力的宿主框架中建模客体原子提供了概念验证，并且从长远来看，有希望对电池材料进行详细的原子研究。
2018-02-13 cond-mat.mtrl-sci
Efficient and Accurate Machine Learning Interatomic Potential for Graphene: Capturing Stress-Strain and Vibrational Properties
本研究提出一种基于AIMD大规模数据集训练的石墨烯反应性机器学习原子间势，可精准复现其力学与振动特性，计算随系统规模线性扩展，兼具稳健性与可迁移性，配套训练流程可推广至其他材料。
2025-05-17 cond-mat.mtrl-sci physics.comp-ph
Machine learning driven simulated deposition of carbon films: from low-density to diamondlike amorphous carbon
非晶碳（a-C）材料具有多种有趣和有用的特性，但对其原子尺度结构的理解仍然不完整。在这里，我们报告广泛的原子模拟的沉积和生长的a-C膜，描述原子间的相互作用，使用机器学习（ML）的高斯近似势（GAP）模型。我们广泛扩展我们的初步工作[物理。120，166101（2018）]，从而对跨越从低密度（富含$sp^{2}$）到高密度（富含$sp^{3}$，“类金刚石”）的无定形碳形式的整个范围的样品进行建模。在这些模拟中观察到两种不同的机制，这取决于冲击能量：低能量的影响诱导$sp$ -和$sp^{2}$ -为主的影响网站周围的直接增长，而高能量的影响诱导喷丸。此外，我们还提出并应用了一种计算非晶碳膜各向异性弹性性质的方法。我们的工作提供了对这类有趣的无序固体的基本见解，以及ML驱动的分子动力学模拟其他材料的原子尺度沉积的概念和方法蓝图。
2020-11-04 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
Geometry and Self-Stress of Single-Wall Carbon Nanotubes and Graphene via a Discrete Model Based on a 2nd-Generation REBO Potential
本文的主要目的是评估单壁碳纳米管（CNTs）和平坦石墨烯条（FGS）在其自然平衡态下的自应力状态，即施加外部载荷之前的状态。我们将碳纳米管建模为离散的弹性结构，其形状和体积的变化由第二代反应经验键级原子间作用势控制。我们考虑的运动学变量是键长、键角和二面角;我们将这些变量中的每一个的变化与功共轭纳米应力相关联。为了确定给定碳纳米管中的自应力状态，我们将无载荷平衡问题表述为原子间势的最小问题，其解产生平衡纳米应力;接下来，通过利用我们推导的纳米应力的非线性本构依赖关系，我们确定了后者的平衡值;最后，从运动学变量的平衡值，我们推导出自然几何，特别是自然半径。在非手性的情况下，当我们可以指望最大的内在对称性，因此独立的未知数的数量减少到最低限度，能量最小化所隐含的平稳性条件是相对容易推导和数值求解;手性碳纳米管，我们更喜欢直接解决最小问题。我们推测，我们的离散力学模型可以作为MD模拟算法的基准源。我们发现，自应力取决于在非手性碳纳米管的键和二面角的变化，此外，在手性碳纳米管的键长的变化。我们的分析也适用于FGS，其自应力和自能量，我们评估，我们发现，在FGS自应力是专门与键角的变化。
2015-03-05 cond-mat.mtrl-sci
Revealing trends in catalytic activity of adatoms for hydrogen adsorption on carbon: a case study of graphene and carbon nanotube
Montanuniversität Leoben（莱奥本矿业大学）
本研究通过分子动力学模拟揭示了不同元素吸附原子对石墨烯和碳纳米管氢气吸附性能的影响，发现II组元素和轻元素在氢气储存中有显著优势。
2025-09-14 cond-mat.mes-hall cond-mat.mtrl-sci
Living porous ceramics for bacteria-regulated gas sensing and carbon capture
本研究开发出以分级多孔黏土为支架、经细菌定殖的工程活性多孔陶瓷，具备基因可编程的碳捕获与气体传感功能，验证了其直接捕集空气CO₂及代谢转化微量有毒气体的能力。
2024-09-01 cond-mat.mtrl-sci physics.bio-ph q-bio.QM
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
Generalizing Abell-Tersoff bond-order potential with explicit high-order many-body correlations for robust extrapolation of potential energy surfaces
Department of Materials Engineering, The University of Tokyo（东京大学材料工程系）
该研究推广Abell-Tersoff键级势并引入显式高阶多体关联，构建半参数原子间势，在多数据集上实现与现有MLIP相当的插值精度，且外推性能更优，为优化MLIP外推能力提供了思路。
2026-08-28 cond-mat.dis-nn cond-mat.mtrl-sci physics.chem-ph
Molecular geometry optimization with a genetic algorithm
提出了一种可靠地确定任意模型势下原子团簇最低能量结构的方法。该方法是基于遗传算法，它操作的候选结构的人口，以产生新的候选人具有较低的能量。我们的方法显着优于模拟退火，我们证明了通过应用遗传算法的碳紧结合模型的潜力。有了这个潜力，该算法有效地发现富勒烯簇结构${\rm C}_{60}$从随机原子坐标开始。
1995-06-16 chem-ph cond-mat.mtrl-sci mtrl-th
Various damage mechanisms in carbon and silicon materials under femtosecond x-ray irradiation
本文综述了飞秒自由电子激光（FEL）脉冲辐照下材料损伤机理的研究结果。它们是使用我们的混合方法XTANT（X射线诱导的热和非热转变）获得的。各种损伤机制进行了讨论相对于金刚石，无定形碳，C60晶体，和硅的例子的脉冲能量密度和材料特性。我们指出条件：由于电子-离子能量交换而产生靶的热熔化;由于原子间势的改变而产生的非热相变;由于有限尺寸系统中累积的净电荷而产生的库仑爆炸;由于样品碎片的分离而在较高能量密度下产生的溅射或烧蚀;以及热的致密物质形成。瞬态光学系数与实验数据进行比较，只要可用，证明我们的建模方法的有效性。预测的衍射图案可以与正在进行的或未来的自由电子激光实验的结果进行比较。我们的模型的局限性和未来可能的发展方向进行了概述。
2018-05-19 cond-mat.mtrl-sci
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
Geometrically-frustrated interactions drive structural complexity in amorphous calcium carbonate
无定形碳酸钙（ACC）是海洋生物体内重要的生物矿化前体。关于ACC的关键未决问题之一是如何最好地理解其结构，以及如何合理化其作为非晶相的亚稳性。在这里，我们报告高品质的原子模型ACC产生的使用国家的最先进的原子间的潜力，以帮助指导适合X射线总散射数据。利用最近开发的反演方法，我们从这些模型中提取有效的钙$\boldsymbol\cdots$钙相互作用的潜力，ACC的形成。该电位在两个竞争距离处包含最小值，对应于碳酸根离子桥接Ca $^{2+}$ -离子对的两种不同方式。我们揭示了一个意想不到的映射到Lennard-Jones-Gauss（LJG）模型通常在计算软物质的背景下进行研究，ACC的经验LJG参数取已知的值，以促进结构的复杂性。以这种方式，我们表明，ACC的复杂结构和它的弹性结晶实际上是编码在几何挫折有效的相互作用之间的钙$^{\boldsymbol 2+}$离子。
2023-03-10 cond-mat.mtrl-sci
Gaussian Approximation Potentials: the accuracy of quantum mechanics, without the electrons
我们介绍了一类原子间势模型，可以自动生成的数据组成的能量和原子所经历的力，来自量子力学计算。由此产生的模型没有固定的函数形式，因此能够模拟复杂的势能景观。它可以通过更多的数据系统地改进。我们将该方法应用于块状碳、硅和锗，并通过计算晶体在高温下的性质来测试该方法。使用原子间势来产生这种计算所需的长分子动力学轨迹可以节省计算成本的数量级。
2009-12-07 cond-mat.mtrl-sci physics.comp-ph
Atomistic mechanism of graphene growth on SiC substrate: Large-scale molecular dynamics simulation based on a new charge-transfer bond-order type potential
碳化硅的热分解是制备石墨烯的一种有前途的方法。然而，石墨烯的原子生长机制仍然不清楚。本文介绍了一种新的电荷转移原子间相互作用势的发展。具有各种各样的特征的碳键可以通过所提出的矢量化键级项来再现。大规模的热分解模拟使我们能够观察到多环碳结构的连续生长过程。退火模拟揭示了多环碳结构转变为仅涉及6元环的平坦石墨烯的原子过程。此外，发现碳化硅衬底的表面原子增强了均匀石墨烯的形成。
2018-02-22 cond-mat.mtrl-sci
Generalizability of Functional Forms for Interatomic Potential Models Discovered by Symbolic Regression
近年来，在使用机器学习算法开发原子间相互作用势模型方面取得了很大进展。机器学习的势模型通常比密度泛函理论快几个数量级，但也比嵌入原子方法等物理衍生模型慢几个数量级。在我们以前的工作中，我们使用符号回归来开发快速，准确和可转移的铜原子间势模型，具有类似于嵌入原子方法的新功能形式。为了确定这些形式的成功在多大程度上是特定于铜的，在这里，我们探讨了这些模型对其他面心立方过渡金属的可推广性，并分析了它们在几种材料特性上的样品外性能。我们发现这些形式对化学性质与铜相似的元素特别有效。与具有相似复杂性的优化Sutton-Chen模型相比，使用符号回归发现的函数形式在所有考虑的元素中表现更好，除了黄金，它们具有相似的性能。它们在训练的属性上的表现类似于一个适度复杂的嵌入式原子形式，并且它们在其他属性上的平均准确度更高。我们将这种改进的广义准确性归因于使用符号回归发现的模型的相对简单性。遗传规划模型被发现优于其他模型从文献中约50%的时间在各种属性的预测，约1/10的模型复杂性平均。我们讨论了这些结果的影响，更广泛的应用，符号回归的发展新的潜力，并强调如何发现一个元素的模型可以用来播种新的搜索不同的元素。
2023-03-25 cond-mat.mtrl-sci cs.LG cs.NE
Complex crystal structure prediction using ML-enhanced multi-minima iterative genetic algorithm
Zhejiang University of Technology（浙江工业大学）；Ames National Laboratory（艾姆斯国家实验室）；Iowa State University（爱荷华州立大学）
提出集成ANN-ML势与迭代元动力学惩罚方案的多极小值迭代遗传算法，成功预测La-Co-Pb体系中新型反配对相结构，克服了依赖数据库方法的局限。
2026-07-02 cond-mat.mtrl-sci
Growth Mechanism and Origin of High $sp^3$ Content in Tetrahedral Amorphous Carbon
基于密度泛函理论数据训练的机器学习原子间相互作用势，利用分子动力学模拟研究了四面体非晶碳（ta-C）薄膜的沉积.对于第一次，高$sp^3$分数超过85%的实验观察到的再现通过计算模拟，和薄膜的特性的沉积能量的依赖性也被准确地描述。对原子相互作用的潜力和直接访问的高置信度使我们能够推断这种材料的微观生长机制。虽然普遍的看法是，ta-C增长的“subplantation”，我们表明，所谓的“喷丸”模型实际上是占主导地位的机制负责高$sp^3$内容。我们发现，压力波导致键重排远离入射离子的影响网站，和高$sp^3$分数产生从三个和四个协调的碳原子之间的过渡微妙的平衡。这些结果为微观理解碳纳米结构的形成打开了大门，具有前所未有的预测能力。
2018-04-20 cond-mat.dis-nn cond-mat.mtrl-sci
Formation of nanoribbons by carbon atoms confined in a single-walled carbon nanotube -- A molecular dynamics study
本研究针对单壁碳纳米管内碳原子形成纳米带的过程开展分子动力学模拟，对比发现Tersoff势在描述该过程时优于常用反应力场势，并确定了缺陷最少的成带温度窗口，与实验结果吻合。
2023-06-12 cond-mat.mtrl-sci
Physics-Informed ML Exploration of Structure-Transport Relationships in Hard Carbon
Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）；Pacific Northwest National Laboratory（太平洋西北国家实验室）
本文提出基于物理的机器学习方法，通过结合原子势能和分子动力学模拟，研究硬碳中结构与离子传输的关系，揭示钠离子迁移的微观机制及设计高性能阳极的原理。
2025-08-20 cond-mat.mtrl-sci
Density-dependent sodium-storage mechanisms in hard carbon materials
Aalto University（阿尔托大学）；Loughborough University（拉夫堡大学）
研究揭示硬碳材料密度与钠存储机制的直接关联，通过多尺度方法分析不同孔隙率下的存储性能，为优化钠离子电池阴极提供设计指导。
2026-01-11 cond-mat.mtrl-sci
Particle Swarm Based Hyper-Parameter Optimization for Machine Learned Interatomic Potentials
Aalto University（阿尔托大学）
使用机器学习（ML）方法对非经验和高度灵活的原子间势能面（PES）进行建模在分子和材料研究中变得越来越流行。训练ML-PES通常分两个阶段进行：特征提取和结构-性质关系建模。特征提取阶段将原子位置转换成一个不变的数学表示。这种表示可以通过调整一组所谓的“超参数”（HP）来微调。随后，使用ML算法（例如神经网络或高斯过程回归（GPR））来基于另一组HP对结构-PES关系进行建模。为两组HP选择最佳值对于确保所得ML-PES模型的高质量至关重要。在本文中，我们使用自定义编码的并行粒子群优化器（可在https：//github.com/suresh0807/PPSO.git免费获得）探索为ML-PES生成量身定制的HP优化策略。我们采用平滑重叠的原子位置（SOAP）描述符结合基于GPR的高斯近似势（GAP）和优化的HP为四个不同的系统：玩具C二聚体，无定形碳，$α$ -Fe，和有机小分子（QM 9数据集）。我们提出了一个两步优化策略，其中的HP相关的特征提取阶段进行优化，然后在训练阶段的HP的优化。这种策略在计算上比同时优化所有HP更有效，因为它显著减少了为获得最佳HP而需要训练的ML模型的数量。这种方法可以简单地扩展到描述符和ML算法的其他组合，并使我们更接近完全自动化的ML-PES生成。
2020-12-31 cond-mat.mtrl-sci cs.LG
A molecular dynamics investigation of the dependence of mechanical properties of steel nanowires on C concentration
本研究通过分子动力学模拟和单轴拉伸试验，揭示了碳浓度（0-10%）和温度（0.1-900 K）对钢纳米线力学性能的影响，发现碳含量增加会降低屈服强度和UTS，并促进滑移面形成。
2025-07-14 cond-mat.mtrl-sci
Dataset-aware entropy-maximized active learning for machine-learned interatomic potentials
Rutgers University（罗格斯大学）
本文提出了一种面向数据集的熵最大化主动学习框架，用于高效生成机器学习原子间势能函数（MLIPs）的训练数据。该方法结合了局部熵驱动的分子动力学与全局数据集感知过滤：每个配置的熵项使MD轨迹倾向于结构多样的快照，而全局熵度量，即整个数据集指纹协方差矩阵的对数行列式，仅选择那些提供真正新信息的配置。通过双协方差模式（每个原子用于无序结构，每个配置用于有序相）实现配置空间的广泛覆盖。结合预训练的基础模型（Allegro-OAM-L）和来自高斯重叠矩阵特征值的分析指纹梯度，该框架在训练集大小为10^2到10^3的熵选择DFT标记结构上，能够以近或亚毫电子伏/原子的精度生成高质量的领域特定势能函数。在三个涵盖不同键合类型和压力驱动相变的系统上进行了验证：碳（共价）、硅（共价/金属）和NaCl（离子）。在与随机分子动力学采样在匹配训练集大小（N=100到800）的对比学习曲线中，评估三个独立的训练集抽样，熵驱动采样在N=800时在三个系统上的分布保持测试中实现了约3到10倍的较低能量MAE，增益的大小取决于键合类型和随机-MD基线在训练集大小上的饱和程度。
2026-05-19 cond-mat.mtrl-sci
A Periodic Genetic Algorithm with Real-Space Representation for Crystal Structure and Polymorph Prediction
本文提出了一种新的遗传算法，它适用于确定晶体结构的全局最小能量构型，也可用作多晶型搜索技术。该算法不需要事先假设晶胞尺寸、形状或对称性，也不需要假设晶胞内的离子构型。因此，这能够实现真正的从头计算晶体结构和多晶型预测。我们的新算法使用一个实空间表示的人口成员，并利用一种新的周期性切割的交叉操作。大型Lennard-Jones系统与FCC-和HCP-相称的细胞的结果显示强大的收敛到散装结构从一个随机的初始分配和竞争的低焓配置之间成功区分的能力。从头算碳多晶型搜索的结果显示，两个Lonsdaleite和石墨样结构的自发出现。
2006-05-02 cond-mat.mtrl-sci cond-mat.other
Machine-learning interatomic potentials achieving CCSD(T) accuracy for systems with extended covalent networks and van der Waals interactions
University of Stuttgart（斯图加特大学）；KTH Royal Institute of Technology（皇家理工学院）；Massachusetts Institute of Technology（麻省理工学院）
本文提出一种基于Δ学习和修正紧束缚基线的方法，实现对具有扩展共价网络和范德华相互作用的系统达到CCSD(T)精度的机器学习互原子势。
2026-02-09 cond-mat.mtrl-sci
Comparative study of ensemble-based uncertainty quantification methods for neural network interatomic potentials
Brigham Young University（杨百翰大学）；University of Electronic Science and Technology of China（电子科技大学）；University of Minnesota（明尼苏达大学）；Cross Stream Consulting（Cross Stream 咨询公司）
系统评估集成不确定性量化方法在分布内和分布外场景中预测精度与准确性的关系，发现不确定性估计在分布外可能反常，警示其作为准确性代理的局限性。
2026-08-14 cond-mat.mtrl-sci physics.data-an
An Accurate and Transferable Machine Learning Potential for Carbon
我们提出了一个精确的机器学习（ML）模型的原子模拟碳，使用高斯近似势（GAP）的方法。的潜力，名为GAP-20，描述了散装结晶和非晶相，晶体表面和缺陷结构的准确性接近的直接从头计算模拟，但在显着降低成本的属性。我们结合了无定形碳和石墨烯的结构数据库，通过添加合适的配置，例如，石墨烯和其他纳米结构中的缺陷，我们大大扩展了这些数据库。最后的潜力是适合使用optB 88-vdW密度泛函理论（DFT）功能计算的参考数据。分散相互作用，这是至关重要的描述多层碳质材料，因此隐含。我们还占长程色散相互作用使用半解析两体长期和表明，改进的模型可以通过优化的多体光滑重叠的原子位置（SOAP）描述符。我们严格测试了许多碳同素异形体的晶格参数、键长、形成能和声子色散的潜力。我们比较了一组广泛的缺陷结构，表面和表面重建DFT参考计算的形成能。本工作证明了在相同的ML模型中将先前获得的无定形碳所需的柔性[Phys. Rev. B，95，094203，（2017）]与结晶石墨烯所需的高数值精度[Phys. Rev. B，97，054303，（2018）]相结合的能力，从而提供了一种原子间势，该原子间势可应用于涉及不同形式的块体和纳米结构碳的广泛应用。
2020-06-24 cond-mat.mtrl-sci physics.comp-ph
Atomistic Structure Generation and Neural-Network Screening of Hard Carbons to Identify High-Capacity Sodium Storage
University of Exeter（埃克塞特大学）
本研究结合通用机器学习原子间势与RAFFLE框架生成13096个硬碳模型，训练神经网络代理筛选出容量超800 mAh g⁻¹的高容量钠存储候选材料，建立了硬碳微观结构与钠存储性能的关联。
2026-08-19 cond-mat.dis-nn cond-mat.mtrl-sci physics.comp-ph
Latent Genetic Algorithm for Crystal Structure Prediction
Fudan University（复旦大学）；Soochow University（苏州大学）
提出潜在遗传算法（LGA），利用预训练通用原子间势的潜在表示作为进化坐标，通过逆优化生成子代，显著提高HfO2基态恢复率并降低搜索成本，发现PbTiO3/PbZrO3超晶格中的长周期基态结构。
2026-06-28 cond-mat.mtrl-sci physics.comp-ph
MOFSimBench: Evaluating Universal Machine Learning Interatomic Potentials In Metal--Organic Framework Molecular Modeling
Computer Science, University of Tübingen, Germany；Chemical Engineering \& Applied Chemistry, University of Toronto, Toronto, Ontario M5S 3E5, Canada
本文提出MOFSimBench基准，通过结构优化、分子动力学稳定性、体相性质预测和主客体相互作用等任务评估通用机器学习原子间势在纳米多孔材料建模中的表现，发现数据质量比模型架构更关键。
2025-07-16 cond-mat.mtrl-sci cs.LG physics.comp-ph
From Mono- to Hexa-Interstitials: Computational Insights into Carbon Defects in Diamond
HUN-REN Wigner Research Centre for Physics（匈牙利科学院维格纳物理研究中心）；Department of Atomic Physics, Institute of Physics, Budapest University of Technology and Economics（布达佩斯技术与经济大学物理研究所原子物理系）；European Laboratory for Learning and Intelligent Systems (ELLIS) Institute Finland（欧洲学习与智能系统实验室芬兰研究所）；Department of Technical Physics, University of Eastern Finland（东芬兰大学技术物理系）；MTA-WFK Lendület “Momentum” Semiconductor Nanostructures Research Group（匈牙利科学院-维格纳物理研究所Lendulet“动量”半导体纳米结构研究组）
研究通过第一性原理计算分析钻石中碳自空位缺陷的结构与性质，揭示空位聚集的驱动力及电子特性，为实验识别提供框架。
2026-03-12 cond-mat.mtrl-sci quant-ph
First-Principles and Machine Learning Investigation of the Structural and Optoelectronic Properties of Dodecaphenylyne: A Novel Carbon Allotrope
本文通过第一性原理与机器学习势研究新型碳同素异形体十二苯基炔，发现其具有高热力学稳定性、各向异性高刚度、高载流子迁移率和各向异性光吸收，展示出光电应用潜力。
2025-06-02 cond-mat.mtrl-sci
Thermomechanical properties of honeycomb lattices from internal-coordinates potentials: the case of graphene and hexagonal boron nitride
低维材料中的晶格动力学，特别是弯曲声学模式的二次行为在其热机械性能中起着重要作用。这些的第一原理评估可能是非常苛刻的，并且可能受到破坏平移或旋转不变性的数值噪声的影响。为了克服这些挑战，我们研究了Gartstein内坐标势，并根据石墨烯的第一性原理原子间力常数调整了它的13个参数。我们表明，由此产生的潜力不仅再现非常好的声子分散的石墨烯，但也有任何直径和手性的碳纳米管。增加一个立方项也允许再现占主导地位的非谐项，导致晶格热导率的一个非常好的估计。最后，这种潜在的形式也非常适用于氮化硼，只要它适合于原子间力常数的短程（分析）部分，并在其后增加长程介电贡献。这一考虑强调了基于短程描述符的电位应如何在极性材料中与第一性原理相互作用的短程部分相适应，并由基于相同第一性原理计算参数化的长程分析介电模型进行补充。
2020-10-26 cond-mat.mtrl-sci
Experiment-driven atomistic materials modeling: A case study combining X-ray photoelectron spectroscopy and machine learning potentials to infer the structure of oxygen-rich amorphous carbon
提出结合机器学习与实验可观测量的通用方法，通过巨正则Monte Carlo生成符合XPS实验数据且能量有利的a-CO$_{x}$结构，实现了具有高度真实性的实验驱动原子级材料建模。
2024-05-20 cond-mat.mtrl-sci
Graph Neural Networks for Carbon Dioxide Adsorption Prediction in Aluminium-Exchanged Zeolites
Eindhoven University of Technology（埃因霍温理工大学）
本文提出一种图神经网络模型，用于快速预测铝交换沸石的CO₂吸附性质，速度比分子模拟快4到5个数量级，并能识别吸附位点及结合遗传算法生成新型沸石构型。
2024-03-28 cond-mat.mtrl-sci cs.LG
Molecular augmented dynamics: Generating experimentally consistent atomistic structures by design
Aalto University（阿尔托大学）
本文提出分子增强动力学（MAD），通过改进分子动力学与机器学习原子间势，生成同时匹配多种实验可观测值且低能的无序材料原子结构。
2026-09-24 cond-mat.mtrl-sci
