Machine Learning Interatomic Potential for Simulations of Carbon at Extreme Conditions
已经开发了一种光谱邻居分析（SNAP）机器学习原子间势（MLIP），用于模拟极端压力（高达5 TPa）和温度（高达20，000 K）下的碳。这是通过使用实验相关的量子分子动力学（QMD）数据的大型数据库，使用强大的机器学习方法训练SNAP势，并对QMD和实验数据进行广泛验证来实现的。所得到的碳MLIP在预测碳相图、晶相熔化曲线和冲击Hugoniot方面表现出前所未有的准确性和可转移性，所有这些都在QMD的3%以内。通过在领导级高性能计算系统上实现量子精度和高效实现，SNAP通过在实验时间和长度尺度上实现原子尺度的洞察力，推进了经典MD模拟的前沿。
2022-05-02 cond-mat.mtrl-sci
Deciphering diffuse scattering with machine learning and the equivariant foundation model: The case of molten FeO
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Argonne National Laboratory（阿贡国家实验室）
本文以熔融 FeO 为例，评估等变基础模型 MACE-MP-0 从漫散射数据推断无序结构的能力，显示其有望突破经典原子间势的局限。
2024-03-01 cond-mat.mtrl-sci cs.LG
Development and Validation of Interatomic Potential for Sc and Al-Sc Alloys: Thermodynamics, Solidification, and Intermetallic Ordering
Merrimack College（梅里马克学院）
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
Connecting Diffuse Scattering to Atomic-Site-Resolved Occupancy and Displacement Fields through Fourier Filtering
National Institute of Standards and Technology（美国国家标准与技术研究院）；Oak Ridge National Laboratory（橡树岭国家实验室）；Theiss Research（Theiss研究公司）
研究如何将漫散射与原子位点相关信息联系起来，核心方法是引入MOSAIC计算框架，通过对含相位散射振幅应用傅里叶滤波器获取相关图谱，主要贡献是能有效探究大规模结构模型中原子间相关性。
2026-07-14 cond-mat.mtrl-sci
Development of Interatomic Potentials to Model the Interfacial Heat Transport of Ge/GaAs
分子动力学模拟提供了一个通用的框架来研究界面热传输，但其准确性仍然受到可用的原子间势的准确性的限制。在过去，研究人员已经采用了使用解析势和简单的混合规则来模拟界面系统，其使用的理由很少。另一方面，当代机器学习的原子间势具有更大的复杂性，但尚未看到界面热传输性质的严格验证。此外，当拟合从头算数据时，尚不清楚是否界面系统小到足以进行密度泛函理论计算，可以产生合理的原子间力常数。本文使用模型Ge/GaAs系统研究了这些问题和相关问题，特别关注界面的谐波力常数（IFC 2）。从头计算IFC 2被示出为从界面恢复接近体状值~ 1-2 nm，同时还表现出跨界面的复杂关系，这可能排除了混合规则的任何成功应用。两种不同的光谱邻域分析势（SNAP）开发的界面模型。一个适合于总力，而另一个仅用于描述非谐性，泰勒展开用于描述势的谐波部分。每种潜力，以及他们的优点和问题进行了比较和讨论，这为未来的工作提供了重要的见解。
2021-05-10 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
SLUSCHI-UP: A Web Infrastructure for SLUSCHI Melting-Temperature Calculations Using Universal Machine-Learning Interatomic Potentials
Arizona State University（亚利桑那州立大学）
本文提出了SLUSCHI-UP，一个将SLUSCHI工作流与可选的通用机器学习原子间势（uMLIP）及异步GPU执行相结合的在线熔点计算服务，实现了无需本地安装的原子级熔点估计。
2026-06-03 cond-mat.mtrl-sci
Diffuse Inelastic Neutron Scattering from Anharmonic Vibrations in Cuprite
该研究通过非弹性中子散射和分子动力学模拟，揭示了赤铜矿在高温下弥散非弹性散射源于氧原子与铜原子非谐相互作用导致的随机相位偏移。
2023-09-02 cond-mat.mtrl-sci physics.atom-ph
A Robust Machine Learned Interatomic Potential for Nb: Collision Cascade Simulations with accurate Defect Configurations
本文针对传统铌原子间势无法准确预测自间隙原子构型的问题，基于SNAP框架和DFT数据开发了机器学习原子间势，并通过碰撞级联等验证证明其能准确复现铌的基态缺陷构型，为辐照损伤模拟提供了稳健工具。
2025-02-05 cond-mat.mtrl-sci
Benchmarking CHGNet Universal Machine Learning Interatomic Potential Against DFT and EXAFS: Case of Layered WS2 and MoS2
本研究将CHGNet通用机器学习势能用于层状WS2和MoS2的热无序建模，通过与DFT及EXAFS谱对比验证性能，发现用约100个DFT结构微调可缓解力低估并提升谱一致性。
2025-09-10 cond-mat.mtrl-sci
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
First Principles Validation of Energy Barriers in Ni$_{75}$Al$_{25}$
本研究针对镍基高温合金析出相KMC模拟的能垒可靠性问题，通过第一性原理方法验证ARTn得到的Ni₇₅Al₂₅空位迁移能垒，构建连续验证链，发现现有原子间势均无法满足KMC模拟的能垒精度要求。
2024-03-05 cond-mat.mtrl-sci
Extending the Accuracy of the SNAP Interatomic Potential Form
光谱近邻分析势（SNAP）是一种经典的原子间势，它将每个原子的能量表示为相邻原子的选定双谱分量的线性函数。提出了SNAP形式的扩展，其中包括双谱分量中的二次项。的扩展示出，以提供一个大的增加，相对于线性形式的精度，而只会引起适度的增加计算成本。二次SNAP形式的数学结构类似于嵌入原子方法（EAM），SNAP双谱分量作为EAM中的两体密度函数的对应物。使用一组广泛的钽结构训练数据证明了新形式的有效性。类似于人工神经网络潜力，二次SNAP形式需要更多的训练数据，以防止过拟合。这种新的潜在形式的质量是通过一个强大的交叉验证分析测量。
2018-02-20 cond-mat.dis-nn cond-mat.mtrl-sci
Imaging nonequilibrium atomic vibrations with x-ray diffuse scattering
一个多世纪以来，X射线散射一直是确定晶体材料平衡结构的最有力工具。偏离完美的周期性，例如由于原子的热运动，降低了布拉格峰的强度，并在漫散射背景中产生结构。在非弹性中子散射成为研究晶格动力学的首选技术之前，热漫散射（TDS）分析已用于在相对简单的情况下确定原子间力常数和声子色散。随着强同步X射线源的出现，人们对TDS测量声子色散重新产生了兴趣。从这些源发出的相对短的X射线脉冲也使得能够在时域中测量声子动力学。以前的实验对非平衡声子的时间分辨率和/或相对较长的波长激发的限制。在这里，我们提出了第一个图像的非平衡声子在整个布里渊区的光激发III-V族半导体，磷化铟和锑化铟，使用皮秒时间分辨漫散射。在每种情况下，我们发现，晶格保持不平衡的几百皮秒至纳秒激光激发后。非平衡人口占主导地位的横向声学声子，在InP是沿着高对称性方向。这一结果对深入研究固体中的电子-声子和声子-声子耦合具有广泛的意义。
2010-06-23 cond-mat.mtrl-sci
Multi-phonon diffuse scattering in solids from first-principles: Application to layered crystals and 2D materials
时间分辨漫散射实验因其能以全动量分辨率揭示晶格振动的非平衡动力学而受到越来越多的关注。虽然在单声子散射的基础上解释实验数据方面取得了进展，但有时会受到多声子激发的阻碍。在参考文献[{ \it arXiv：2103.10108}]中，我们介绍了一种从第一性原理计算固体全声子非弹性散射强度的严格方法。在目前的工作中，我们详细描述了我们的实现，并表明，多声子相互作用被有效地利用晶体的平移和时间反转对称性。通过计算单层二硫化钼（MoS $_2$）、块状MoS $_2$和黑磷（bP）的散射模式，我们证明了它的预测能力，并且与我们的热电子漫散射测量结果非常吻合。值得注意的是，我们的研究结果表明，多声子激发在跨多个布里渊区的bP中占主导地位，而在MoS $_2$中，它们起着不太明显的作用。我们扩大我们的分析，为每个系统，并检查单个原子和原子间的振动运动的漫散射信号的效果。我们进一步证明了我们的方法的高吞吐量的能力，通过报告全声子散射图的2D MoSe 2，WSe 2，WS 2，石墨烯和CdI 2，合理化在每种情况下的多声子过程的影响。作为一个侧面点，我们表明，特殊的位移方法再现热扭曲的配置，精确地产生的全声子扩散模式。
2021-09-22 cond-mat.mtrl-sci
Thermal boundary conductance of metal diamond interfaces predicted by machine learning interatomic potentials
本研究开发机器学习原子间势，用非平衡分子动力学预测多种金属-金刚石界面的热边界电导，揭示传统模型的误差来源及TBC的关键影响因素，为金刚石基器件热管理提供参考。
2024-05-22 cond-mat.mtrl-sci
Accurate, transferable, and verifiable machine-learned interatomic potentials for layered materials
Stanford University（斯坦福大学）
本研究提出拆分式机器学习原子间势及数据集构建方法，分离层内与层间相互作用以提升精度，开发基于堆叠构型的验证指标，并证实一维莫尔结构可作为高效验证替代系统，实现莫尔材料的高效高精度结构弛豫与性质预测。
2025-03-19 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
Diffusion of hydrogen in graphite: A molecular dynamics simulation
用分子动力学模拟研究了原子氢和分子氢在石墨片间隙中的扩散。原子间的相互作用模型的紧束缚势拟合密度泛函计算。氢原子与碳原子结合，其扩散是从一个碳原子跳到相邻的一个碳原子，其活化能约为0.4 eV。分子氢较少地附着在主体片上，并且比孤立的H扩散得更快。在低于500 K的温度下，H_2扩散的活化能为89 meV，而在较高的温度下，H_2的扩散由于分子的较长跳跃以及连续跳跃之间的相关性而增强，得到190 meV的有效活化能。
2011-08-11 cond-mat.mtrl-sci
Melt-Quench Failures and Practical Solutions for Universal Machine-Learning Interatomic Potentials in Amorphous Structure Generation
City University of Hong Kong（香港城市大学）；University of South Carolina（南卡罗来纳大学）
针对通用机器学习原子间势在非晶结构生成中导致非物理体积膨胀的问题，提出压力微调和改进的NVT淬火/NPT平衡协议两种实用方案，显著提升密度预测精度。
2026-07-17 cond-mat.mtrl-sci
Benchtop Momentum-Resolved Phonon Spectroscopy: Unlocking Lattice Dynamics via X-ray Diffuse Scattering
Institute of Physics, University of São Paulo（圣保罗大学物理研究所）
该研究开发了一种基于台式SAXS/WAXS仪器的方法，可通过TDS图案提取IFCs以获取全布里渊区声子信息，实现低成本的晶格动力学表征。
2026-09-01 cond-mat.mtrl-sci
Small-Cell-Based Fast Active Learning of Machine Learning Interatomic Potentials
本文提出并系统表征了一种基于小晶胞的MLIP快速主动学习方案，在钾及钠-钾体系中以最高两个数量级的成本节省实现了与大晶胞训练相当的从头算精度。
2025-04-09 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
Efficient training of machine learning potentials for metallic glasses: CuZrAl validation
本文提出一种结合Lennard-Jones替代模型、swap-Monte Carlo采样与DFT修正的高效MLIP训练方法，在CuZrAl金属玻璃上验证其能以少量DFT数据准确复现结构、动力学、能量及力学性能。
2025-07-22 cond-mat.dis-nn 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
Investigating Ionic Diffusivity in Amorphous Solid Electrolytes using Machine Learned Interatomic Potentials
本研究使用机器学习原子间势NequIP框架训练DFT数据集，高保真模拟非晶LiPON及其界面的Li$^+$传输，发现界面传输仅慢一个数量级且不致显著阻抗积累。
2024-09-10 cond-mat.mtrl-sci
Active learning strategies for atomic cluster expansion models
原子团簇展开（ACE）是近年来提出的一类新的数据驱动原子间相互作用势函数。由于任何原子间势的发展都需要仔细选择训练数据和彻底的验证，因此训练数据集的构建自动化以及模型不确定性的指示是非常可取的。在这项工作中，我们比较了基于D-最优准则和集成学习的ACE模型的不确定性指示的两种方法的性能。虽然这两种方法都显示出相当的预测，但基于D-最优性（Maximum算法）的外推等级在计算上更有效。此外，外推品位指示器能够积极探索新结构，为自动发现稀有事件配置开辟了道路。我们证明了主动学习也适用于从大规模MD模拟中探索局部原子环境。
2022-12-16 cond-mat.mtrl-sci
Machine Learning Interatomic Potentials Enable Molecular Dynamics Simulations of Doped MoS2
University of California Merced（加州大学默塞德分校）
本研究利用机器学习互原子势能评估MoS2掺杂体的准确性，并通过分子动力学模拟展示其在材料设计中的应用。
2026-02-26 cond-mat.mtrl-sci physics.comp-ph
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
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）
本文提出基于大语言模型的自动化机器学习流水线，用于生成训练数据集以提升机器学习互作用势的精度和稳定性。
2025-12-19 cond-mat.mtrl-sci cs.LG
Benchmarking Universal Machine-Learned Interatomic Potentials for High-Temperature Metal-Organic Framework Chemistry
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）
本文通过高温度分子动力学轨迹基准测试了五种通用机器学习互原子势，揭示了ORB-v3和fairchem OMAT在不同温度下的最佳性能，但所有模型在高温条件下均存在显著误差。
2026-04-28 cond-mat.mtrl-sci physics.chem-ph
Probing Elastic Isotropy in Entropy Stabilized Transition Metal Oxides: Experimental Estimation of Single Crystal Elastic Constants from Polycrystalline Materials
本研究提出从多晶材料仅用两个衍射弹性常数估算单晶弹性常数的新方法，经镍验证后应用于[(MgNiCoCuZn)O]熵稳定氧化物，测得C11=219 GPa、C12=116 GPa、C44=51 GPa，为开发精确原子间势提供关键实验数据。
2024-09-20 cond-mat.mtrl-sci
Benchmarking Machine-Learning Interatomic Potentials for Dynamical Stability in Inorganic Semiconductor Nanocrystals: A CdSe Case Study
BCMaterials, Basque Center for Materials, Applications, and Nanostructures, UPV/EHU（巴斯克材料、应用与纳米结构中心（BCMaterials））；University of the Basque Country (UPV/EHU)（巴斯克大学）；Ikerbasque Basque Foundation for Science（伊克拉巴斯克科学基金会）
该研究基准测试五种图神经网络机器学习原子间势在CdSe纳米团簇上的动力学稳定性，发现仅凭预测误差不足以选择势函数，需结合长时标动力学测试与不确定性引导的主动学习。
2026-09-15 cond-mat.mtrl-sci physics.chem-ph
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
SoLiD26: A First Principles Solid-Liquid Interface Dataset for Machine-learned Interatomic Potentials
Technical University of Denmark（丹麦技术大学）
该论文构建了包含1540万个第一性原理原子结构的固液界面数据集SoLiD26，涵盖多种化学元素和界面类型，用于训练和评估机器学习原子间势，并通过MACE模型验证其有效性。
2026-10-22 cond-mat.mtrl-sci cs.LG physics.chem-ph
Proof-Carrying Materials: Falsifiable Safety Certificates for Machine-Learned Interatomic Potentials
Indian Institute of Information Technology Allahabad (IIITA), Prayagraj, India（阿拉哈巴德印度信息技术学院（IIITA），普拉亚格拉杰，印度）；National Institute of Electronics and Information Technology (NIELIT), India（国家电子与信息技术研究所（NIELIT），印度）
本文提出Proof-Carrying Materials方法，通过三个阶段提升机器学习互原子势的可靠性，验证发现其在材料筛选中能显著提高稳定性检测的准确率和发现率。
2026-11-02 cond-mat.mtrl-sci cs.AI cs.LG
Defects and Impurity Properties of VN precipitates in ARAFM Steels: Modelling using a Universal Machine Learning Potential and Experimental Validation
Imperial College London（伦敦帝国理工学院）；University of Oxford（牛津大学）
本研究通过机器学习势和实验验证，探讨了VN沉淀在高辐照下的缺陷行为及溶解机制，揭示了空位有序对辐照损伤的抑制作用及溶质对溶解速率的影响。
2026-01-23 cond-mat.mtrl-sci physics.app-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
Data-Efficient Construction of Material-Specific Machine-Learning Interatomic Potentials from Ab Initio Molecular Dynamics Trajectories
Technische Universität Ilmenau（伊尔梅瑙工业大学）
该研究量化了将通用机器学习原子间势转换为材料特异性势所需的从头算分子动力学数据量，对比了不同框架的表现，提出了实用构建指南，还发现模型平均可提升稀缺数据下的预测性能。
2026-08-18 cond-mat.mtrl-sci physics.chem-ph
Non-mean-field theories of short range order and diffuse scattering anomalies in disordered alloys
无序合金中的局域有序或短程有序是一种重要且令人兴奋的现象，在电子、X射线和中子散射实验中可以量化。它在许多优秀的评论和书籍中进行了讨论，以及大量的原始研究论文。这个相对较短的主题回顾并不试图讨论合金中局部相关性问题的所有方面。特别是，我们不会触及多原子（簇）相互作用，静态位移和合金原子的振动，部分有序，多组分或无定形合金等问题。因此，我们将专注于所考虑问题的传统哈密顿量，即具有对的刚性理想晶格上的伊辛模型的哈密顿量，但在其他方面是任意的（即，任何范围）原子间的相互作用。本文的中心对象是模型中相应的动力学变量--占据数或自旋变量--的一对关联函数，它的傅里叶变换正比于原子短程有序引起的漫散射强度。主要目的是表明，这个量的表达式具有某种类似的内部结构，例如，与无序合金电子理论中所用的平均格林函数相比较。这种结构是独立的近似用于定量描述的相关性。正如我们所看到的，这种结构本身，没有进一步说明一个特定的理论，短程秩序，使我们看到新的可能性，漫散射，其中一些最近已经观察到实验。
1998-03-04 cond-mat.mtrl-sci cond-mat.stat-mech
Cross-Geometry Transferability Assessment of Universal Machine Learning Interatomic Potentials: From Bulk Materials to Atomic Nanowires
Brazilian Nanotechnology National Laboratory (LNNano/CNPEM)（巴西国家纳米技术实验室）；Universidade Federal do ABC (UFABC)（ABC联邦大学）
该研究评估通用机器学习原子间势的跨几何可迁移性，构建ZrO₂多构型数据集，测试26个预训练模型，发现零样本预测存在几何依赖型误差，对比不同训练策略，指出适配低配位离子纳米结构需多样目标数据与物理验证。
2026-08-10 cond-mat.mes-hall cond-mat.mtrl-sci physics.comp-ph
Dynamic nanoindentation and short-range order in equiatomic NiCoCr medium entropy alloy lead to novel density wave ordering
化学短程有序（CSRO）被认为是多组分合金优异性能的关键因素。然而，在大多数化合物中，CSRO的直接验证和确认是非常难以捉摸的。最近对等原子NiCoCr合金的研究表明，热处理（即，退火/老化）可以促进和操纵CSRO。在这项工作中，通过使用分子模拟，我们表明，纳米机械探针，如纳米压痕，可用于进一步操纵CSRO，提供明确的验证途径。通过使用完善的原子间势，我们在室温下进行混合分子动力学/蒙特卡罗（MD/MC），以证明特定的停留纳米压痕协议可以导致，通过热MC平衡，CSRO下压头尖端的重组，密度波条纹图案（DWO）。我们表征了新的DWO结构，这是直接相关的初始SRO，但高度各向异性和依赖于本地，nanoindentation引起的应力集中，我们展示了它们如何深深起源于原子间势的特性。此外，我们表明，DWO图案一致的压头尖端下的初始塑性区的规模，证明观察DWO图案在任何实验上可行的纳米压痕深度。
2022-11-10 cond-mat.dis-nn cond-mat.mes-hall cond-mat.mtrl-sci
DPA4: Pushing the Accuracy-Cost Frontier of Interatomic Potentials with EMFA SO(2) Convolution
Peking University（北京大学）；AI for Science Institute（人工智能科学研究院）；Tsinghua University（清华大学）；HEDPS, CAPT, College of Engineering, Peking University（北京大学工学院理论力学与计算力学系、高超声速空气动力学国家重点实验室）；DP Technology（深势科技）；Academy for Advanced Interdisciplinary Studies, Peking University（北京大学前沿交叉学科研究院）；National Key Laboratory of Computational Physics, Institute of Applied Physics and Computational Mathematics（中国科学院应用物理与计算数学研究所）
本文提出DPA4架构，通过EMFA SO(2)等变卷积和编译器友好的训练路径，在降低参数和训练成本的同时，在Matbench Discovery等基准上达到最优精度-成本平衡。
2026-08-21 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Molecular hyperdynamics coupled with the nonorthogonal tight-binding approach: Implementation and validation
给出了非正交紧束缚模型NTBM的分子超动力学算法及其实现，并给出了相应的软件。由于其多尺度结构，所提出的方法提供了长时间尺度的模拟（超过1 s），传统的分子动力学无法提供。使用这种技术不需要关于系统潜在景观的初步信息。最佳的原子间相互作用势修正是从前面的模拟步骤中自动得出的。调整后的势能波动之间的平均时间提供了在超动力学模拟过程中的物理时间的准确评估。超动力学方法的主要应用是研究低温下中等或较大原子系统中的热致缺陷。为了验证所提出的方法，我们将其应用到C $_{60}$笼及其衍生物C $_{60}$ NH $_{2}$。超动力学的结果与传统的分子动力学相同，但由于超动力学的温度范围更宽，因而具有更高的性能和精度。加速系数达到10 $^{7}$以上。
2019-10-22 cond-mat.mtrl-sci physics.atm-clus physics.chem-ph
From Evaluation to Design: Using Potential Energy Surface Smoothness Metrics to Guide Machine Learning Interatomic Potential Architectures
University of California, Berkeley（加州大学伯克利分校）；Stanford University（斯坦福大学）
提出键平滑度表征测试（BSCT）作为高效评估机器学习原子间势（MLIP）势能面平滑度的指标，并与分子动力学稳定性强相关，同时指导模型设计以减少伪影。
2026-05-29 cond-mat.mtrl-sci cs.AI cs.LG
Accuracy and Limitations of Machine-Learned Interatomic Potentials for Magnetic Systems: A Case Study on Fe-Cr-C
该研究以 Fe-Cr-C 为例比较非磁性与自旋极化 DeePMD 势，揭示二者分别擅长动态与静态性质，并提出迁移学习将磁性 MLIP 开发成本降低逾十倍。
2025-07-25 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Dyna-Mat: End-to-end benchmarking of foundation machine learning interatomic potentials in finite-temperature ensembles
University College London（伦敦大学学院）；Utrecht University（乌得勒支大学）；National Center for Nuclear Research（国家核研究中心）；Periodic Labs（周期实验室）；Fritz-Haber-Institut der Max-Planck-Gesellschaft（马克斯·普朗克学会弗里茨·哈伯研究所）；Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学）；Ruđer Boškovi’c Institute（鲁杰尔·博什科维奇研究所）；University of Iceland（冰岛大学）
介绍用于测试基础机器学习原子间势的Dyna-Mat-v1.0数据集，通过比较能量和力误差评估15个基础MLIPs，发现力误差与结构动力学可观测量误差关系，构建帕累托前沿评估模型，强调端到端有限温度验证的重要性。
2026-07-07 cond-mat.mtrl-sci physics.chem-ph
Data-Driven Exploration and Insights into Temperature-Dependent Phonons in Inorganic Materials
Portland State University（波特兰州立大学）；Northwestern University（西北大学）；University of Science and Technology Beijing（北京科技大学）
本文提出数据驱动方法，通过机器学习和高通量计算研究无机材料中温度依赖的声子行为，提升预测精度并揭示非谐效应的影响。
2026-01-14 cond-mat.mtrl-sci
Simulation of thermodynamic properties of magnetic transition metals from an efficient tight-binding model
有限温度下的原子尺度模拟是研究磁性过渡金属热力学性质的理想方法。然而，明确考虑磁变量的原子间势的发展是一项微妙的任务。在这种情况下，我们提出了一个紧束缚模型的磁性过渡金属的Stoner近似。这种潜力被集成到一个Monte Carlo结构弛豫代码，其中进行试验的原子位移以及局部磁矩的波动，以确定所考虑的系统的热力学平衡态。作为一个例子，钴的居里温度进行了研究，同时显示原子弛豫的重要作用。此外，我们的模型被推广到其他过渡金属突出的局部磁矩分布，随着逐渐填充的d状态。因此，不同的磁位形的潜力的成功验证表明其巨大的可转移性，使其成为一个很好的选择，原子模拟采样大的配置空间。
2021-12-07 cond-mat.mtrl-sci
Strategies for the Construction of Machine-Learning Potentials for Accurate and Efficient Atomic-Scale Simulations
机器学习原子间相互作用势的最新进展使得复杂原子系统的有效建模成为可能，其精度可与传统的基于量子力学的方法相媲美。与此同时，构建新的机器学习潜力似乎是一项艰巨的任务，因为它涉及到化学和材料科学中尚不常见的数据科学技术。在这里，我们提供了一个教程式的概述的战略和最佳实践的建设人工神经网络（ANN）的潜力。我们说明了最重要的方面（一）数据收集，（二）模型选择，（三）训练和验证，（四）测试和改进的人工神经网络的潜力的基础上的实际例子。目前在主动学习和三角洲学习领域的研究也讨论了人工神经网络的潜力。本教程综述旨在为计算化学家和材料科学家提供ANN潜在构建和应用所需的背景知识，旨在加速该方法的采用，以便促进令人兴奋的研究，否则传统策略将具有挑战性。
2021-05-05 cond-mat.mtrl-sci
From electrons to phase diagrams with classical and machine learning potentials: automated workflows for materials science with pyiron
本研究基于pyiron IDE开发了覆盖MLP全开发周期的自动化框架，支持三类原子间势的构建与验证，并完成了航空用Al-Li合金的二元相图计算，为材料科学研究提供了易用的自动化工具。
2024-03-08 cond-mat.mtrl-sci
Synergistic coupling in ab initio-machine learning simulations of dislocations
位错的从头算模拟对于建立材料强度的定量模型是必不可少的，但是所需的系统尺寸通常处于或超过现有方法的限制。许多重要的结构，因此在训练或验证的原子间势失踪，而位错缺陷相互作用的研究必须减轻沿线方向的强周期性图像相互作用的影响。我们展示了如何通过在混合模拟中使用线性机器学习潜力来解除这些限制，其中只有一部分原子由从头算力控制。线性形式被利用在一个受约束的再训练过程中，定性地扩大了学习的训练结构的范围，并给出了位错核心结构的精确匹配，使得线可以跨越量子/经典边界。我们应用我们的方法来全三维研究杂质偏聚的边缘和螺旋位错在钨。我们重新训练的潜力系统地提高了QM/ML参考数据的准确性，并且与使用短周期超晶胞的模拟相比，三维几何形状允许长程弛豫，从而定性地改变杂质诱导的核心重建。更一般地说，能够处理任意子区域的大规模模拟从头计算的准确性打开了一个巨大的范围内以前无法访问的扩展缺陷的定量调查。
2021-12-06 cond-mat.mtrl-sci
Specialized machine learning force fields for materials dynamics
Materials Genome Institute, Shanghai University（上海大学材料基因组研究院）；Department of Materials Science and Engineering, Southern University of Science and Technology（南方科技大学材料科学与工程系）
本综述探讨物理驱动的专业化如何拓展机器学习原子间势（MLIPs）对复杂材料动力学系统的适用性，通过四类应用场景建立可观测量验证框架，提出开发物理自洽、硬件感知力场的路线图。
2026-10-12 cond-mat.mtrl-sci
Tersoff-NN: Hybrid Machine-Learned Bond-Order Extension of the Tersoff Potential
Faculty of Science and Engineering, Waseda University（早稻田大学理工学术院）
本研究开发了混合机器学习势Tersoff-NN，保留Tersoff势的部分结构并以NN表示键级因子，在提升硅环境描述精度的同时，计算效率更高且动态稳定性更强。
2026-10-19 cond-mat.mtrl-sci physics.chem-ph
