$\mathrm{Ga}_{2}\mathrm{O}_{3}$ 是一种宽带隙半导体，在电子学和光电子学应用中具有日益增长的重要性。然而，关于复杂共存的 $\mathrm{Ga}_{2}\mathrm{O}_{3}$ 多晶型物以及低对称性无序结构的性质，仍缺乏关键信息。在本研究中，我们为 $\mathrm{Ga}_{2}\mathrm{O}_{3}$ 开发了两种基于核的机器学习高斯近似势（ML-GAPs），对 $β$/$κ$/$α$/$δ$/$γ$ 多晶型物具有高精度，且对无序的化学计量结构具有通用性。我们并行发布了两个版本的原子间势，即 soapGAP 和 tabGAP，分别实现了出色的精度和极高的加速。我们系统地表明，soapGAP 和 tabGAP 均能重现所有五种多晶型物的结构性质，与 ab initio 结果高度一致，同时与密度泛函理论相比，计算效率分别提升了 $5\times10^{2}$ 和 $2\times10^{5}$ 倍的计算速度。结果表明，液-固相变分三个不同阶段进行：“慢转变”、“快转变”和“仅 Ga 迁移”。我们表明，这种复杂动力学可以通过 O 和 Ga 子晶格在界面层中的不同行为来理解。
英文摘要：
$\mathrm{Ga}_{2}\mathrm{O}_{3}$ is a wide-bandgap semiconductor of emergent importance for applications in electronics and optoelectronics. However, vital information of the properties of complex coexisting $\mathrm{Ga}_{2}\mathrm{O}_{3}$ polymorphs and low-symmetry disordered structures is missing. In this work, we develop two types of kernel-based machine-learning Gaussian approximation potentials (ML-GAPs) for $\mathrm{Ga}_{2}\mathrm{O}_{3}$ with high accuracy for $β$/$κ$/$α$/$δ$/$γ$ polymorphs and generality for disordered stoichiometric structures. We release two versions of interatomic potentials in parallel, namely soapGAP and tabGAP, for excellent accuracy and exceeding speedup, respectively. We systematically show that both the soapGAP and tabGAP can reproduce the structural properties of all the five polymorphs in an exceptional agreement with ab initio results, meanwhile boost the computational efficiency with $5\times10^{2}$ and $2\times10^{5}$ computing speed increases compared to density functional theory, respectively. The results show that the liquid-solid phase transition proceeds in three different stages, a "slow transition", "fast transition" and "only Ga migration". We show that this complex dynamics can be understood in terms of different behavior of O and Ga sublattices in the interfacial layer.
Automated Machine Learning Pipeline: Large Language Models-Assisted Automated Dataset Generation for Training Machine-Learned Interatomic Potentials
NYU, Department of Chemistry（纽约大学化学系）；Initiative for Computational Catalysis, Flatiron Institute（计算催化计划，Flatiron研究所）；NYU, Department of Physics（纽约大学物理系）；Courant Institute of Mathematical Sciences, NYU（数学科学学院，纽约大学）；NYU-ECNU Center for Computational Chemistry（纽约大学-复旦大学计算化学中心）；Simons Center for Computational Physical Chemistry, NYU（Simons计算物理化学中心，纽约大学）
Deciphering borophene growth pathways with data-driven simulations
Université Lyon 1（里昂第一大学）；CNRS（法国国家科学研究中心）；LMI, UMR 5615（LMI，UMR 5615）；Université de Poitiers（普瓦捷大学）；ISAE-ENSMA（高等航空航天与汽车工程师学院）；PPRIME（PPRIME研究所）；Université Lille（里尔大学）；INRA（法国国家农业食品与环境研究院）；ENSCL（里尔化学高等学院）；UMET, UMR 8207（UMET，UMR 8207）
Systematic Fine-Tuning of MACE Interatomic Potentials for Catalysis
University of South Carolina（南卡罗来纳大学）；National Laboratory of the Rockies（落基山国家实验室）；Rensselaer Polytechnic Institute（伦斯勒理工学院）；University of Cambridge（剑桥大学）；Max Planck Institute for Polymer Research（马克斯·普朗克聚合物研究所）；University of Toronto（多伦多大学）
Structural, electronic, thermal and mechanical properties of C60-based fullerene two-dimensional networks explored by first-principles and machine learning
VibroML: an automated toolkit for high-throughput vibrational analysis and dynamic instability remediation of crystalline materials using machine-learned potentials
Two-Dimensional Boron Oxides with Dirac Loop and Strongly anisotropic Carrier Mobility
近年来，二维硼片由于其多晶型结构和优异的性能而引起了人们的广泛关注。同时，由于硼原子化学性质的复杂性和缺电子性，二维硼片易受环境影响。因此，探索新的2D氧化硼变得非常必要。在这项研究中，我们从理论上探讨了二维硼氧化物的结构和它们的基本性质。我们发现，二维硼氧化物是金属或半金属，当氧浓度低。更有趣的是，B_6O_1在费米能级附近呈现狄拉克环，最大费米速度估计高达0.61* 10E_6m/s，这与石墨烯中的费米速度非常接近。另外，当氧浓度为1/4时，最稳定的B_4O_1得到了直接带隙为1.24 eV的半导体，并且具有很强的各向异性载流子迁移率。在其他二维材料中还没有报道过两个方向之间载流子迁移率的巨大差异。此外，当氧浓度大于四分之一时，二维硼片将变得不稳定。我们还提出了一种方法，如何综合这些系统。我们的工作提供了二维硼氧化物的基础知识，并可能导致新的二维硼氧化物的发现。B6 O 1和B4 O 1独特的电子性质使它们成为应用于高性能纳米器件的有前途的2D材料。
