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
Machine Learning a Universal Harmonic Interatomic Potential for Predicting Phonons in Crystalline Solids
提出一种利用现有声子数据库和机器学习技术训练通用谐和原子间势的方法，能准确预测晶体固体的完整声子谱和热力学性质，并评估预测不确定性。
2024-02-17 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
Atomic, electronic and magnetic structure of graphene/iron and nickel interfaces: theory and experiment
第一性原理计算的碳覆盖的镍和铁基板上的原子，电子和磁性结构的影响表明，在金属基板的原子上的原子间距离和磁矩的变化微不足道。单层和少层石墨烯对铁表面的覆盖引起层之间的轨道占据和交换相互作用的显著变化，而镍基板的情况下，轨道有序和交换相互作用的变化要小得多。实验测量表明Fe@C纳米颗粒中存在铁磁性fcc-铁和Ni@C纳米颗粒的超顺磁性行为。
2014-12-23 cond-mat.mes-hall cond-mat.mtrl-sci physics.chem-ph
Thermal conductivity of h-BN monolayers using machine learning interatomic potential
热管理材料对于工程小型化电子设备至关重要，其中这种材料的理论设计需要评估热导率，这在数值上是昂贵的。在这项工作中，我们应用最近开发的机器学习原子间相互作用势（MLIP）来评估六方氮化硼单层的热导率。MLIP是使用高斯近似势（GAP）的方法，得到的晶格动力学性质和热导率进行了比较，从显式冻结声子计算。结果表明，基于约30%代表性构型的MLIP可以获得精确的热导率，高阶力常数比谐波近似提供了更可靠的MLIP质量基准。
2020-12-14 cond-mat.mtrl-sci
Graph atomic cluster expansion for foundational machine learning interatomic potentials
Interdisciplinary Centre for Advanced Materials Simulation (ICAMS), Ruhr-University Bochum（波鸿鲁尔大学跨学科先进材料模拟中心）
GRACE通过图原子簇扩展框架，提供了一种高效且准确的基础机器学习互原子势，适用于广泛材料建模和高保真度模拟。
2026-01-03 cond-mat.mtrl-sci
Systematic assessment of various universal machine-learning interatomic potentials
本文系统评估了五种基于图神经网络的通用机器学习原子间势，利用DFT验证研究和材料项目数据，为材料科学家选择合适模型提供指导与优化建议。
2024-07-20 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
Discovering High-Entropy Oxides with a Machine-Learning Interatomic Potential
本文提出整合计算与实验的自洽方法，利用机器学习原子间势和两个描述符快速准确探索单相岩盐高熵氧化物，正确解析所有实验稳定组成，并发现更多待探索组成。
2025-01-13 cond-mat.mtrl-sci
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
Machine-learning interatomic potentials for materials science
材料的大规模原子计算机模拟依赖于原子间势，提供能量和牛顿力的计算有效预测。传统的潜力已担任这一职务超过三十年。最近，出现了一类新的势，它基于一种完全不同的哲学。新的潜力是使用机器学习（ML）方法和量子力学计算产生的大量参考数据库构建的。虽然传统势是从对化学键本质的物理见解中推导出来的，但ML势利用高维数学回归来在参考能量之间进行插值。我们回顾了原子间势场的现状，比较了传统势和ML势的优缺点。引入了第三类势，其中ML模型与基于物理的势耦合，以提高对未知原子环境的可转移性。讨论的重点是潜在的材料科学的应用。概述了这一领域未来可能的方向。
2021-06-03 cond-mat.mtrl-sci
Atomistic modeling of uranium monocarbide with a machine learning interatomic potential
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；Oak Ridge National Laboratory（橡树岭国家实验室）
本研究通过机器学习互原子势能函数建模铀单碳化物，实现了对其结构、热物理性质及扩散行为的高效预测，为反应堆燃料认证提供了计算工具。
2026-02-13 cond-mat.mtrl-sci
Local lattice dynamics of hcp zinc from EXAFS and machine-learning interatomic potentials
Institute of Solid State Physics, University of Latvia（拉脱维亚大学固体物理研究所）；Deutsches Elektronen-Synchrotron DESY（德国电子同步辐射中心）
本研究结合EXAFS谱与原子模拟探究hcp锌的晶格动力学，通过反向蒙特卡洛方法分析MSRD揭示其各向异性，发现微调CHGNet可改善模拟与实验的一致性，证实EXAFS分析能有效验证优化机器学习原子间势。
2026-08-10 cond-mat.mtrl-sci
A general-purpose machine learning Pt interatomic potential for an accurate description of bulk, surfaces and nanoparticles
本文提出一种基于DFT数据训练的铂高斯近似机器学习原子间势，在体相、表面和纳米颗粒性质上展现出高精度与优异迁移性，并以相图计算和纳米颗粒结晶研究验证了其建模能力。
2023-04-05 cond-mat.mtrl-sci
Machine-learning based interatomic potential for amorphous carbon
我们引入了高斯近似势（GAP）的液态和无定形元素碳的原子模拟。基于密度泛函理论（DFT）势能面的机器学习表示，这种原子间势使材料模拟具有接近DFT的精度，但计算成本要低得多。我们首先确定的最大精度，任何有限范围的潜力可以实现在碳结构，然后，使用一种新的层次设置的两个，三个，和多体结构描述符，我们构建了一个GAP模型，确实可以达到目标的准确性。潜力产生准确的能量和结构特性在很宽的密度范围内，它也正确地捕捉液相的结构，在与国家的最先进的经验潜力的差异。提出了GAP模型在“类金刚石”四面体无定形碳（ta-C）表面上的示例性应用，包括无定形材料的表面能的估计和高温表面重构（“石墨化”）的模拟。新的原子间相互作用势似乎是有前途的现实和准确的模拟纳米级无定形碳结构。
2016-11-10 cond-mat.mtrl-sci
Thermo-mechanical properties of nitrogenated holey graphene (C2N): A comparison of machine-learning-based and classical interatomic potentials
二维纳米材料的热性能和力学性能通常通过使用密度泛函理论（DFT）和经典分子动力学（MD）模拟计算力常数来研究。虽然DFT模拟提供了准确的估计，计算成本很高。另一方面，分子动力学模拟强烈依赖于原子间相互作用势的准确性。在这里，我们研究了氮化多孔石墨烯（C2 N）的热导率和弹性模量使用被动拟合的机器学习原子间势（MLIP），这取决于计算成本低廉的从头算分子动力学轨迹。采用基于MLIP的非平衡分子动力学模拟（NEMD）方法研究了C2 N的导热性能。在室温下，晶格热导率为85.5 W/m-K，有效声子平均自由程为37.16 nm，通过单轴拉伸模拟，C2 N的弹性模量、极限强度和断裂应变分别为390 GPa、42 GPa和0.29。结果表明，被动拟合MLIPs可以作为一个有效的原子间相互作用势，获得的热导率和弹性模量的C2 N利用经典的MD模拟。此外，采用MLIP模拟点缺陷的C2 N的可能性进行了研究。通过训练点缺陷结构的MLIP，研究了缺陷结构的力学性能。虽然使用MLIP比经典的原子间相互作用势更昂贵，但它可以有效地预测2D纳米结构的热和机械性能。
2021-05-19 cond-mat.mtrl-sci
Large-scale cooperative sulfur vacancy dynamics in two-dimensional MoS2 from machine learning interatomic potentials
Technische Universität Ilmenau（伊尔梅瑙工业大学）；Institute of Micro- and Nanotechnologies（微纳技术研究所）；Christian-Albrechts-Universität zu Kiel（基尔大学）
本研究通过机器学习互原子势模拟揭示了二维MoS2中大规模协同硫空位传输机制，解释了实验观测到的辐照诱导空位模式，并对比了两种MLIP框架的性能。
2025-08-19 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
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
Accelerating first-principles estimation of thermal conductivity by machine-learning interatomic potentials: A MTP/ShengBTE solution
从实验和理论的角度来看，准确评估材料的热导率可能是一项具有挑战性的任务。特别是对于纳米结构材料，热导率的实验测量与不同来源的不确定性有关。作为一种可行的替代实验，结合密度泛函理论（DFT）模拟和玻尔兹曼输运方程的解决方案，目前被认为是最值得信赖的方法来研究热导率。上述方法的主要瓶颈是使用计算要求高的DFT计算获得非谐原子间力常数。在这项工作中，我们提出了一个大大加快的方法，通过采用机器学习原子间势（MLIPs）训练过短从头分子动力学轨迹的非谐原子间力常数的评估。建议的加速方法的显着的准确性被确认通过比较估计的几个散装和二维材料的热导率与全DFT方法计算的。在这项研究中提出的MLIP为基础的方法可以作为一个标准的工具，这将大大加快和方便的晶格热导率的估计相比，常用的全DFT解决方案。
2020-09-06 cond-mat.mtrl-sci
Machine-learning interatomic potentials from a users perspective: A comparison of accuracy, speed and data efficiency
Institute of Materials Science, Technical University of Darmstadt（达姆施塔特工业大学材料科学研究所）
本文从用户角度比较了多种机器学习互原子势方法，发现非线性ACE、NequIP和MACE在准确度与计算成本之间形成帕累托前沿，且GPU加速显著提升了性能。
2025-05-05 cond-mat.mtrl-sci
AtomProNet: Data flow to and from machine learning interatomic potentials in materials science
AtomProNet是一个开源Python包，通过自动化原子结构获取、从头算任务提交与数据收集，降低机器学习原子间势的使用门槛，并验证了其计算实用性。
2025-01-23 cond-mat.mtrl-sci
An Accurate and Transferable Machine-Learning Interatomic Potential for Silicon
现代从头算方法的发展迅速增加了我们对物理、化学和材料科学的理解。不幸的是，密集的从头计算是棘手的大型和复杂系统。另一方面，经验力场虽然能有效地处理大型和复杂系统，但精度较低，可传递性较差。最近发展的机器学习为基础的神经网络（NN）的局部原子环境的密度泛函理论（DFT）的表示提供了一个有前途的解决方案，这一长期存在的挑战。硅是科学技术中最重要的元素之一，但目前还缺乏一个精确的、可传递的硅原子间相互作用势。在这里，我们开发了一个广义NN势的Si，它正确地预测了Si（111）-（7 x7）基态表面重建的第一次，并准确地再现了DFT结果在广泛的复杂的Si结构。我们设想在不久的将来，各种材料系统也会有类似的发展。
2019-01-07 cond-mat.mtrl-sci
A Lightweight Universal Machine-Learning Interatomic Potential via Knowledge Distillation for Scalable Atomistic Simulations
Seoul National University（首尔国立大学）；Incheon National University（仁川国立大学）
本文提出SevenNet-Nano，一种基于图神经网络的轻量级通用机器学习互作用势，通过知识蒸馏框架实现高精度和强泛化能力，显著降低计算成本，适用于大规模原子模拟。
2026-04-13 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
Benchmarking Universal Machine Learning Interatomic Potentials for Elastic Property Prediction
School of Intelligence Science and Technology, Nanjing University of Science and Technology（南京理工大学智能科学与技术学院）；School of Physics, Hefei University of Technology（合肥工业大学物理学院）
本文评估了四种通用机器学习互原子势在弹性质预测中的性能，发现SevenNet表现最佳，通过微调进一步提升了CHGNet的准确性，而MACE的鲁棒性较弱。
2026-03-05 cond-mat.mtrl-sci
Toward machine learning interatomic potentials for modeling uranium mononitride
本研究开发了首个面向一氮化铀的机器学习原子间势，通过DFT与主动学习构建训练集，准确复现热物理性质、缺陷行为及辐射损伤模拟，为UN燃料的原子尺度建模提供了可靠工具。
2025-06-05 cond-mat.mtrl-sci
Cartesian atomic moment machine learning interatomic potentials
本文提出完全在笛卡尔空间构建机器学习原子间势的CAMP方法，通过原子矩张量与图神经网络结合，在多种体系的分子动力学模拟中实现了与领先模型相当或更优的精度、效率和稳定性。
2025-05-02 cond-mat.mtrl-sci
Benchmarking 34 OpenKIM Nickel Potentials with an Emphasis on Surfaces and Extended Defects
Queen's University（女王大学）；Liaoning Academy of Materials（辽宁省材料研究院）
本文构建自动化框架，用47项指标基准测试34种OpenKIM镍原子间势，发现SNAP整体误差最低，并揭示迁移与短程物理相关的精度权衡。
2025-10-20 cond-mat.mtrl-sci
Platonic representation of foundation machine learning interatomic potentials
Imperial College London（伦敦帝国学院）
本研究提出柏拉图表示法，通过统一不同MLIPs的潜在空间，实现跨模型最优传输和可解释的嵌入运算，揭示潜在空间中几何失真与物理预测失败的关系。
2025-12-05 cond-mat.mtrl-sci
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
Classical and Machine Learning Interatomic Potentials for BCC Vanadium
针对BCC钒中DFT泛函导致C44错误而使现有机器学习势失效的问题，开发了经典半经验XMEAM-V与机器学习DP-HYB-V两种原子间势，其中XMEAM-V以DFT精度重现了力学热力学性质并展现反常滑移，为非磁性BCC过渡金属势函数开发提供了实用途径。
2022-09-21 cond-mat.mtrl-sci
Multi-fidelity Machine Learning Interatomic Potentials for Charged Point Defects
Imperial College London（帝国理工学院）
本文提出多保真度方法结合低成本和高精度数据，改进半导体Sb2Se3中点缺陷的描述，实现高效准确的结构预测与热力学计算。
2026-08-18 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
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
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
An AI-ready fine-tuning framework for accurate machine-learning interatomic potentials in solid-solid battery interfaces
本文提出FIRE框架，通过整合回放与效率的微调方法，实现固-固电池界面的高精度机器学习互原子势建模，显著提升预测准确性与数据效率。
2026-10-01 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
Carbon phase diagram with empirical and machine learned interatomic potentials
在目前的工作中，我们详细介绍了如何多体势能景观的碳原子间的潜力，可以探索利用嵌套采样算法，允许计算他们的压力-温度相图高的压力。我们提出了一个比较三个原子间的潜力模型，Tersoff，EDIP和GAP-20，专注于他们的宏观性质，特别是在他们的熔融转变和识别的结晶稳定的固体结构，至少100 GPa。所研究的模型都是在较低的压力下冻结形成石墨结构，然后随着压力的增加形成金刚石结构。在Tersoff和EDIP模型的情况下，我们能够定位这些阶段之间的过渡。我们特别关注最先进的机器学习（ML）模型GAP-20，并计算了高达1 TPa的相图，以评估其预测能力，远远超出模型的拟合条件。相图显示出一个非常好的协议与实验相图高达200 GPa，尽管各种意想不到的石墨层间距。在此之上，嵌套采样确定了两种新的稳定固体结构，应变金刚石结构和800 GPa以上的应变六方密堆积结构。然而，这两个阶段的稳定性并没有通过DFT计算得到证实，这突出了进一步改进ML模型的潜在途径。
2022-08-20 cond-mat.mtrl-sci
Cluster-based Structural Similarity for Dataset Visualization and Data Selection for Machine Learning Interatomic Potentials
Fujitsu Research, Fujitsu Limited（富士通研究所）；School of Chemical Engineering, Aalto University（阿尔托大学化学工程学院）
针对机器学习原子间势训练中的数据选择，提出基于k-medoids聚类和最优匹配的结构相似性评估方法，兼顾表征保真与计算效率，较基线快约50倍，提升力预测的数据效率与稳定性。
2026-10-01 cond-mat.mtrl-sci
Machine learning interatomic potential for predicting the thermal properties of uranium nitride
The Pennsylvania State University（宾夕法尼亚州立大学）；Idaho National Laboratory（爱达荷国家实验室）；The Ohio State University（俄亥俄州立大学）
本文利用机器学习互原子势预测铀氮化物的热性质，通过DFT数据训练并验证，成功预测熔点、热膨胀、比热和热导率等关键参数。
2025-11-27 cond-mat.mtrl-sci
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
Uncertainty Quantification for Misspecified Machine Learned Interatomic Potentials
针对机器学习原子间势因模型误设导致不确定性被低估的问题，采用误设感知回归技术量化参数不确定性并传播至钨的相与缺陷性质，稳健包络训练集外 ab initio 计算误差，并成功预测与界定 MACE-MPA-0 能量误差。
2025-03-03 cond-mat.mtrl-sci
The Intercalation Chemistry of the Disordered RockSalt Li3V2O5 Anode from Cluster Expansions and Machine Learning Interatomic Potentials
无序岩盐Li 3V 2 O 5由于其理想的低电压、高倍率性能和优异的循环稳定性而成为锂离子二次电池负极材料的理想选择。在此，我们提出了一个全面的研究DRX-Li 3V 2 O 5阳极的嵌入化学使用密度泛函理论计算结合机器学习集群扩展和原子间势。基于蒙特卡罗模拟和拟合的团簇膨胀模型，预测了室温下无序Li 3V 2 O 5阳极的电压分布，与实验结果吻合良好。与之前的DFT结果相比，我们发现在充电过程中Li离子主要嵌入四面体位置，而八面体位置的Li和V离子大多数保持稳定。此外，用拟合的矩张量势进行的MD模拟将DRX-Li 3V 2 O 5的快速充电能力归因于Li+通过四面体-八面体-四面体途径的容易扩散性。我们进一步建议调整Li：V比作为在该系统中权衡增加的锂化容量和降低的阳极电压的手段。这项工作为高性能DRX-Li 3V 2 O 5阳极提供了深入的见解，并为发现其他无序阳极材料铺平了道路。
2022-08-30 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
Benchmarking phonon anharmonicity in machine learning interatomic potentials
本文以 ThO$_2$ 的 DFT 非谐振动哈密顿量和分子动力学数据为基准，评估三类 MLIP 对声子相互作用、线宽、线移及热导率的表征能力。
2024-02-29 cond-mat.mtrl-sci
Discrepancies and Error Evaluation Metrics for Machine Learning Interatomic Potentials
针对MLPs在MD模拟中低平均误差却难以再现原子动力学等问题，本文识别其与从头算方法的差异，提出基于稀有事件的定量评估指标，并证明其可提升多性质预测。
2023-09-29 cond-mat.mtrl-sci
Evaluating Mechanical Property Prediction across Material Classes using Molecular Dynamics Simulations with Universal Machine-Learned Interatomic Potentials
School of Physics, Chemistry and Earth Sciences, The University of Adelaide（阿德莱德大学物理、化学与地球科学学院）
本文通过分子动力学模拟评估了六种通用机器学习互原子势在预测不同材料机械性能方面的准确性，发现某些架构能补偿偏见，推动通用MLIPs的发展。
2025-11-28 cond-mat.mtrl-sci
Fast machine learned interatomic potential for hydrogen-induced embrittlement in α-Fe
University of Helsinki（赫尔辛基大学）；Barcelona Supercomputing Center（巴塞罗那超级计算中心）
基于tabGAP形式开发α-Fe-H体系机器学习势，以DFT精度高效模拟氢致脆性机制，发现氢原子降低扭结对形核能垒从而增强螺位错迁移率。
2026-06-29 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
Machine learning a general purpose interatomic potential for silicon
第一性原理电子结构计算在化学、固体物理和材料科学中预测建模的成功受到由于计算成本及其缩放而导致的模拟长度和时间尺度的限制的约束。最近，基于机器学习思想的技术在没有明确描述电子的情况下对Born-Oppenheimer势能面进行插值，显示出很大的前景，但准确有效地拟合物理相关的构型空间仍然是一个具有挑战性的目标。在这里，我们提出了一个高斯近似势的硅，实现这一里程碑，准确地再现密度泛函理论参考结果的广泛的可观察到的属性，包括晶体，液体和非晶体相，以及点，线，面缺陷。我们证明，这种新的潜力，使计算，这将是非常昂贵的第一原理电子结构的方法，如有限温度相边界线，在液体中的自扩散，形成的非晶缓慢淬火，和动态脆性断裂。我们表明，固有的高斯过程回归框架的不确定性量化给出了一个定性的估计潜在的准确性为一个给定的原子配置。该模型的成功表明，确实有可能创建一个有用的基于机器学习的原子间势，全面描述材料，并作为未来开发此类模型的模板。
2018-05-03 cond-mat.mtrl-sci
Benchmarking Universal Machine Learning Interatomic Potentials on Elemental Systems
Center for Advanced Systems Understanding (CASUS)（高级系统理解中心）；Helmholtz-Zentrum Dresden-Rossendorf (HZDR)（德累斯顿-罗斯多夫亥姆霍兹中心）
本研究在元素系统上评估了通用机器学习原子势能函数的性能，发现其在不同金属组中的表现差异显著，揭示了搜索效率与结构保真度之间的脱耦问题。
2025-12-29 cond-mat.mtrl-sci
Ligand-Controlled Phonon Dynamics in CsPbBr3 Nanocrystals Revealed by Machine-Learned Interatomic Potentials
Georgia Institute of Technology（佐治亚理工学院）；Queens College, City University of New York（纽约市立大学皇后学院）；The Graduate Center, City University of New York（纽约市立大学研究生中心）
研究通过机器学习势揭示配体对CsPbBr3纳米晶声子动力学的影响，发现阳离子和阴离子配体系统性地红移Pb-Br-Pb伸缩模式并蓝移PbBr6^4-八面体旋转模式，为高性能钙钛矿纳米晶光电子器件提供设计原理。
2026-03-17 cond-mat.mtrl-sci
High-Pressure Inelastic Neutron Spectroscopy: A true test of Machine-Learned Interatomic Potential energy landscapes
Rutherford Appleton Laboratory（卢瑟福阿普尔顿实验室）；University of Bath（巴斯大学）；Daresbury Laboratory（达尔斯伯里实验室）
本文通过高压非弹性中子光谱学验证了机器学习相互作用势能景观的转移能力，展示了其在不同热力学状态下的预测有效性。
2026-03-05 cond-mat.mtrl-sci
