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
Capturing long-range interaction with reciprocal space neural network
Fudan University（复旦大学）；Shanghai Qi Zhi Institute（上海期智研究院）；State Key Laboratory of ASIC and System（专用集成电路与系统国家重点实验室）
机器学习（ML）原子间模型和势函数已广泛应用于材料模拟。在某些离子体系中，长程相互作用往往占主导地位，其动力学行为受到显着影响。然而，大多数ML原子间势并没有考虑库仑势和范德威尔士势等长程效应。为了解决这个问题，我们提出了一种方法，可以考虑长程效应的大多数ML局域原子间模型与倒易空间神经网络。该方法首先将实空间中的结构信息转换到倒易空间中，然后将其编码为具有完整原子相互作用的倒易空间势或全局描述子。倒易空间势和描述子保持了欧氏对称性和胞元选择的完全不变性。利用倒易空间信息，ML原子间模型可以扩展到描述长程相互作用势，不仅包括库仑相互作用，还包括其他任何长程相互作用。一个模型NaCl系统考虑库仑相互作用和GaxNy系统的缺陷，以说明我们的方法的优点。同时，我们的方法有助于提高一些全局性质的预测精度，如带隙，其中超出局部原子环境的全原子相互作用起着非常重要的作用。总之，我们的工作扩展了当前ML原子间模型和势在处理长程效应时的能力，从而为精确预测全局性质和大规模动态模拟缺陷系统铺平了新的道路。
2022-11-30 cond-mat.mtrl-sci cs.LG physics.chem-ph
Learning Interatomic Force Coefficients from X-ray Thermal Diffuse Scattering Data
Stanford University（斯坦福大学）；Lund University（隆德大学）
本文提出一个全自动框架，直接从X射线热 diffuse 散射数据中提取原子间力系数，通过可微散射强度函数和Cholesky采样加速逆向过程，实现高通量研究晶格动力学。
2026-03-30 physics.comp-ph
Scalable Data-Driven Basis Selection for Linear Machine Learning Interatomic Potentials
University of British Columbia（不列颠哥伦比亚大学）
本文提出基于主动集算法的数据驱动特征选择方法，用于提升原子簇扩展模型的计算效率、泛化准确性和可解释性。
2026-04-20 math.OC physics.comp-ph
Multi-fidelity learning for interatomic potentials: Low-level forces and high-level energies are all you need
本文提出用多保真度学习训练原子间势，证明结合低层级原子力与高层级能量即可获得接近直接用高层级能量和力训练的高精度 MLIP，从而避免生成昂贵的高精度力数据集。
2025-09-22 physics.chem-ph physics.comp-ph
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
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
Training Data Selection for Accuracy and Transferability of Interatomic Potentials
机器学习（ML）技术的进步使得原子间势的发展成为可能，这些势既保证了第一原理方法的准确性，又保证了经验势的低成本、线性缩放和并行效率。尽管在过去几年中取得了快速进展，但基于ML的电位通常难以实现可转移性，即，在与用于训练模型的配置显著不同的配置之间提供一致的精度。为了真正实现基于ML的原子间势的承诺，因此必须开发系统的和可扩展的方法来生成不同的训练集，以确保广泛覆盖原子环境的空间。这项工作探索了一种通过构造来多样化的方法，该方法利用原子描述符的熵的优化来以自动化的方式为钨创建非常大的（$>2\cdot10^{5}$配置，$>7\cdot10^{6}$原子环境）训练集，即，没有任何人为干预。该数据集用于训练多项式以及具有不同结构的多个神经网络势。为了进行比较，还在专家策划的钨数据集上训练了相应的电位族。与专家策划的模型相比，经过熵优化数据训练的模型表现出了非常优越的可移植性。此外，虽然用大量用户输入训练的模型（即，领域专业知识）在类似配置上测试时产生最低的错误，当模型在故意多样化的训练数据集上训练时，样本外预测显着更鲁棒。在这里，我们使用自动化和数据驱动的方法来生成大型和多样化的训练集，展示了准确和可转移的ML潜力的发展。
2022-05-05 physics.comp-ph
Machine-Learning-Based Interatomic Potentials for Group IIB to VIA Semiconductors: Towards a Universal Model
本文开发了覆盖19种IIB至VIA族半导体的统一深度学习原子间势DPA-Semi模型，以DFT数据训练并验证其达到GGA级精度，可作为迈向通用半导体原子间势的预训练模型。
2024-05-07 cond-mat.mtrl-sci physics.comp-ph
Machine-Learned Interatomic Potentials for Structural and Defect Properties of YBa$_2$Cu$_3$O$_{7-δ}$
Politecnico di Torino（都灵理工大学）；Istituto Nazionale di Fisica Nucleare, Sezione di Torino（意大利国家核物理研究所都灵分部）；Lancaster University（兰卡斯特大学）；University of Helsinki（赫尔辛基大学）；Eni S.p.A.（埃尼集团）；United Kingdom Atomic Energy Authority（英国原子能管理局）
本研究开发了四种机器学习原子势能模型，用于精确模拟YBa$_2$Cu$_3$O$_{7-δ}$的结构和缺陷性质，以提高辐射损伤过程的模拟效率和准确性。
2026-02-09 cond-mat.supr-con physics.comp-ph
Bond, orbital and spin order in d4/d6/d7 perovskite oxides: successes and limitations of foundation interatomic potentials
National Laboratory of the Rockies（落基山国家实验室）；King’s College London（伦敦国王学院）；Science and Technology Facilities Council（科学与技术设施委员会）
研究测试三种基础势对LaMnO3、LaCoO3和NdNiO3低温序的表现，通过分子动力学模拟发现这些氧化物低温序分三类，标量类可捕获，矢量类幅度能捕获但对称性不行，在位类当前MLIPs无法处理。
2026-07-10 cond-mat.mtrl-sci physics.comp-ph
On the accurate reproduction of strongly repulsive interatomic potentials
在$R\to0$的势能曲线$V(R)$的排斥行为的知识是必要的理解和建模的实际利益的照射过程。$V(R)$原则上是直接从电子结构计算获得的;然而，由于原子核的接近性，用于电子结构计算的常用数值方法在强排斥区域中失效。在目前的工作中，我们通过与完全数值参考值的比较表明，最近开发的程序[S。Lehtola，J. Chem. Phys. 151，241102（2019）]通过研究七种核反应He 2 <=> Be、HeNe <=> Mg、Ne 2 <=> Ca、HeAr <=> Ca、MgAr <=> Zn、Ar 2 <=> Kr和NeCa <=> Zn，即使在小的$R$下，也可以用于实现$V(R)$的原子轨道计算的精确线性组合。
2020-02-04 physics.atm-clus physics.chem-ph physics.comp-ph
Machine-learned Interatomic Potentials for Alloys and Alloy Phase Diagrams
我们引入机器学习的潜力Ag-Pd来描述能量的合金配置在很宽的范围内的组成。我们比较两种不同的方法。矩张量势（MTP）是原子间距离和角度的多项式函数。高斯近似势（GAP）框架使用核回归，我们使用原子位置的平滑重叠（SOAP）表示原子邻域，该原子邻域由邻域密度的球形傅立叶变换的功率谱提供的一组完整的旋转和置换不变量组成。这两种类型的潜力提供了很好的精度为广泛的组合物和竞争对手的集群扩展，该系统的基准的准确性。虽然这两种模型都能够描述远离晶格位置的小变形，但SOAP-GAP在可转移性方面表现出色，如配置之间的合理转换路径所示，而MTP由于其较低的计算成本而允许计算组成相图。考虑到这两种方法的表现以及集群扩展，但会产生非晶格模型，我们希望他们在合金的计算材料建模开辟新的途径。
2019-07-09 cond-mat.mtrl-sci physics.comp-ph
Simple machine-learned interatomic potentials for complex alloys
由于训练数据必须采样巨大的配置空间，为包含许多元素的材料开发数据驱动的机器学习原子间势变得越来越具有挑战性。我们研究了机器学习原子间势的学习率和可达到的精度，用于多元素合金，具有不同的局部原子环境描述符组合。我们发现，对于一个五元素合金系统，使用简单的低维描述符的潜力可以达到meV/原子精度与中等大小的训练数据集，显着优于高维SOAP描述符的数据效率，准确性和速度。特别是，我们开发了一个计算快速的机器学习和制表高斯近似势（tabGAP）的Mo-Nb-Ta-V-W合金的两体，三体和一个新的简单的标量多体密度描述符的基础上嵌入原子方法的组合。
2022-08-15 cond-mat.mtrl-sci physics.comp-ph
Machine Learning Interatomic Potentials with Keras API
该研究基于Keras API构建神经网络模型，结合对称函数量化原子相互作用，优化超参数后得到精度在100 eV内的Ti-O体系原子间势模型，可通过完善对称函数测试等方式改进。
2026-09-01 cond-mat.dis-nn physics.comp-ph
Lennard-Jones interatomic potentials for the allotropes of carbon
寻找合适的能准确描述材料晶体结构的原子间相互作用势是材料科学的重要课题之一。本文提出了几种由Lennard-Jones（LJ）势组成的原子间相互作用势来描述碳的同素异形体如金刚石和石墨的晶体结构和微观结构的演化。这些LJ势的有效性可以通过分子动力学（MD）模拟来检验。对于模拟系统的晶格识别，我们计算了原子与其近邻原子间夹角和原子间距离的分布函数，并检查了原子的排列。我们的模拟结果清楚地表明，我们已经成功地产生了金刚石和石墨结构的MD模拟和上述LJ势。
2018-07-01 cond-mat.mtrl-sci physics.comp-ph
Molecular dynamics simulation of the recrystallization of amorphous Si layers: Comprehensive study of the dependence of the recrystallization velocity on the interatomic potential
采用分子动力学方法模拟了非晶硅/晶体硅界面的再结晶过程。非晶材料的原子结构是用Wooten、Winer和Weaire的方法构造的。之后，使用五种不同的原子间势：Stillinger-Weber、Tersoff、EDIP、SW 115和Reynsky，在宽的温度和时间范围内对晶体叠层上的非晶进行退火。利用模拟系统地提取再结晶速度。一个强有力的依赖性的结果上的原子间的潜力证明和解释的能力，一些潜力（Tersoff和SW 115），以正确地处理的非晶结构，而其他电位（Stillinger-Weber，EDIP，和Albersky）导致熔化的非晶。因此，原子间相互作用势根据其模拟固相或液相外延的能力进行分类。
2011-07-06 cond-mat.mtrl-sci physics.comp-ph
Active learning of linearly parametrized interatomic potentials
本文介绍了一种主动学习的方法来拟合机器学习原子间相互作用势。我们的方法是基于D-最优性标准选择原子配置上的潜在的拟合。结果表明，所提出的主动学习方法是非常有效的训练潜力的飞行，确保没有外推尝试，并导致一个完全可靠的原子模拟没有任何显着降低精度。我们将我们的方法应用于分子动力学和结构弛豫，我们认为，它可以适用于，在原则上，任何其他类型的原子模拟。软件、测试用例和使用示例发布在http://gitlab.skoltech.ru/shapeev/mlip/上。
2017-08-22 cond-mat.mtrl-sci physics.comp-ph
E(3)-Equivariant Graph Neural Networks for Data-Efficient and Accurate Interatomic Potentials
Harvard University（哈佛大学）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；Robert Bosch Research and Technology Center（罗伯特·博世研究与技术中心）；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）；Massachusetts Institute of Technology（麻省理工学院）
本文介绍了神经等变原子间势（NequIP），一种用于从从头计算中学习原子间势的E（3）-等变神经网络方法，用于分子动力学模拟。虽然大多数当代的几何感知模型使用不变卷积并且只作用于标量，但NequIP使用E（3）-等变卷积来处理几何张量的相互作用，从而使原子环境的信息更加丰富和忠实。该方法在一组具有挑战性和多样性的分子和材料上实现了最先进的准确性，同时表现出显着的数据效率。NequIP的性能优于现有模型，训练数据少了三个数量级，挑战了人们普遍认为的深度神经网络需要大量训练集的观点。该方法的高数据效率允许使用高阶量子化学理论水平作为参考来构建精确的势，并且能够在长时间尺度上进行高保真度的分子动力学模拟。
2021-12-16 cond-mat.mtrl-sci cs.LG physics.comp-ph
The transformative capability of quantum-accurate machine learning interatomic potentials
本文评述了Nguyen-Cong等人利用机器学习获得的SNAP碳原子间势在极端条件下取得的重要成果，认为该工作为三十余年的相关研究画上了圆满句号。
2025-06-02 physics.comp-ph
Automated discovery of a robust interatomic potential for aluminum
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）
分子动力学模拟的准确性关键取决于用于产生力的原子间势。黄金标准将是第一原理量子力学（QM）计算，但这些在大规模模拟中变得过于昂贵。基于机器学习（ML）的潜力旨在以大幅降低的计算成本忠实地仿真QM。ML潜力的准确性和鲁棒性主要受到训练数据集的质量和多样性的限制。使用主动学习（AL）的原则，我们提出了一个高度自动化的方法来构建数据集。该策略是使用正在开发的ML潜力来采样新的原子配置，并且每当达到ML不确定性足够大的配置时，收集新的QM数据。在这里，我们试图突破自动化的极限，从AL过程中删除尽可能多的专业知识。所有采样使用MD模拟从初始无序配置开始进行，并经历由随时间变化的施加温度驱动的非平衡动力学。我们证明了这种方法，通过建立一个ML潜在的铝（ANI-Al）。经过多次AL迭代，ANI-Al可以预测熔体中的径向分布函数，液固共存曲线和晶体性质，如缺陷能和势垒。为了证明可转移性，我们进行了1.3M原子冲击模拟，并表明ANI-Al预测同意非常好的DFT计算从非平衡动力学采样的局部原子环境。有趣的是，休克中出现的配置似乎在AL训练数据集中得到了很好的采样，我们用视觉方式说明了这一点。
2020-08-24 cond-mat.mtrl-sci cs.LG physics.comp-ph
Transfer learning for chemically accurate interatomic neural network potentials
从从头算电子结构方法开发基于机器学习的原子间相互作用势仍然是计算化学和材料科学的一项具有挑战性的任务。这项工作研究了迁移学习的能力，特别是区分微调，用于有效地从MD 17和ANI数据集生成有机分子的化学精确的原子间神经网络电位。我们表明，预训练的网络参数从密度泛函计算获得的数据大大提高了样本效率的模型训练更准确的从头算数据。此外，我们表明，仅用能量标签进行微调就足以获得精确的原子力并运行大规模的原子模拟，提供了一个精心设计的微调数据集。我们还研究了迁移学习的可能局限性，特别是关于预训练和微调数据集的设计和大小。最后，我们提供了在ANI-1x和ANI-1ccx数据集上预训练和微调的GM-NN电位，这些电位可以很容易地进行微调并应用于有机分子。
2023-01-28 physics.comp-ph stat.ML
Online Test-time Adaptation for Interatomic Potentials
针对机器学习原子间势因训练测试分布偏移导致性能下降、模拟崩溃的问题，提出基于双层自监督学习的在线测试时自适应框架TAIP，无需额外数据即可提升多基准性能并实现稳定分子动力学模拟。
2024-05-14 physics.comp-ph
PySlice: Routine Vibrational Electron Energy Loss Spectroscopy Prediction with Universal Interatomic Potentials
Vanderbilt University（范德堡大学）；Oak Ridge National Laboratory（橡树岭国家实验室）；University of Virginia（弗吉尼亚大学）；University of Washington（华盛顿大学）；Uppsala University（乌普萨拉大学）
PySlice通过整合通用机器学习原子间势能与TACAW方法，提供自动化框架实现振动电子能损谱预测，使声子物理研究和材料探索成为常规任务。
2026-02-10 cond-mat.mtrl-sci physics.comp-ph
Screening of material defects using universal machine-learning interatomic potentials
本文验证了通用机器学习原子间势可用于大规模缺陷材料筛选，对86 259种材料进行空位计算，并展示了其在发现凸包附近新材料和模拟低维材料刻蚀中的应用。
2025-04-10 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
Cartesian tensor equivariant machine-learning force field for spin-dependent atomistic simulations
Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合性国家科学中心人工智能研究院）；Laboratory of Quantum Information, University of Science and Technology of China（中国科学技术大学量子信息实验室）；Hefei National Laboratory, University of Science and Technology of China（中国科学技术大学合肥国家实验室）
针对磁性材料原子模拟的挑战，本文提出基于笛卡尔张量等变消息传递的HotPP-Spin力场，其可准确描述多种磁相互作用，模拟VSe₂的磁有序相变温度与实验值吻合良好。
2026-09-01 physics.comp-ph
Repulsive interatomic potentials calculated at three levels of theory
本研究计算了三种理论水平下的排斥性原子间势能，发现量子化学方法比ZBL模型更准确，并提供了新的解析拟合，用于模拟离子注入，与实验吻合良好。
2025-03-28 physics.comp-ph
Benchmarking Universal Machine Learning Interatomic Potentials for Real-Time Analysis of Inelastic Neutron Scattering Data
针对声子计算成本高的挑战，本文构建了近5000种无机晶体的声子数据库，对多种通用机器学习原子间势进行基准测试，并应用于分析实验性非弹性中子散射数据，揭示了其优势与局限性。
2025-06-02 cond-mat.mtrl-sci physics.comp-ph
Machine-learning interatomic potential for AlN for epitaxial simulation
University of Florida（佛罗里达大学）
本文采用UF3方法开发了AlN的机器学习原子间势，其在结构、力学性质及位错核心结构预测上与DFT计算和实验一致，复现了AlN同质外延的纤锌矿结构及逐层生长模式，实现了大规模原子模拟。
2025-11-11 cond-mat.mtrl-sci physics.comp-ph
Evidential Deep Learning for Interatomic Potentials
针对基于机器学习原子间势（MLIPs）的分子模拟因分布外（OOD）数据预测精度下降而崩溃的问题，提出具有物理启发设计的证据深度学习原子间势（eIP），在无显著计算开销或精度损失下提供可靠不确定性量化，优于其他方法并可用于探索多样原子构型。
2025-04-16 physics.comp-ph
TensorMD: Scalable Tensor-Diagram based Machine Learning Interatomic Potential on Heterogeneous Many-Core Processors
TensorMD提出基于张量图的机器学习原子间势模型，通过张量形式与可移植优化策略，在新神威超算上实现520亿原子、31皮秒/步/原子的模拟性能，创HPC+AI+MD新纪录。
2023-10-13 cs.DC physics.comp-ph
Development of a general-purpose machine-learning interatomic potential for aluminum by the physically-informed neural network method
摘要原子间相互作用势是大尺度材料原子模拟的重要组成部分。最近提出的物理信息神经网络（PINN）方法结合了人工神经网络实现的高维回归与适用于金属和非金属的基于物理的键序原子间势。在本文中，我们提出了PINN方法的修改版本，该版本加速了势训练过程，并进一步提高了PINN势到未知原子环境的可移植性。作为一个应用程序，已开发了一个修改的PINN势的Al电子结构计算的大型数据库上的培训。该势再现了每个原子2.6 meV内的参考第一原理能量，并准确地预测了Al的宽范围的物理性质。这些性质包括但不限于晶格动力学、热膨胀、点缺陷和扩展缺陷的能量、熔化温度、液体Al的结构和动力学性质、液体表面和固-液界面的表面张力、以及晶界裂纹的成核和生长。PINN势的计算效率也进行了讨论。
2020-11-09 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
