Unsupervised learning-based structural analysis: Search for a characteristic low-dimensional space by local structures in atomistic simulations
由于计算技术的进步和计算能力的提高，材料的原子模拟可以以更高的精度模拟大型系统。在这种最先进的原子模拟中可以观察到复杂的现象。然而，越来越难以理解实际发生的事情和机制，例如，在分子动力学（MD）模拟中。我们提出了一种无监督的机器学习方法来分析目标原子周围的局部结构。所提出的方法，它使用两步局部保持投影（TS-LPP），可以找到一个低维空间，其中每个原子或原子组的数据点的分布可以适当地捕获。我们表明，该方法是有效的，从局部结构的角度分析的结晶，液体和非晶态和熔体淬火过程的MD模拟。所提出的方法被证明在硅单组分系统，硅锗二元系统，和铜单组分系统。
2021-07-29 cond-mat.mtrl-sci
Unsupervised machine learning in atomistic simulations, between predictions and understanding
从早期开始，模拟结果的自动分析就一直是原子建模的重要组成部分，解决了将单个原子的行为与通常是最终感兴趣的量的集体属性联系起来的需求。聚类和降维等方法已被用于提供从蛋白质到纳米颗粒的复杂系统的结构和动力学的简化、粗粒度表示。近年来，机器学习的兴起导致这些算法在原子建模中的使用更加广泛，并将不同的分类和推理技术视为数据驱动方法的一致工具箱的一部分。这一观点简要回顾了一些无监督的机器学习方法-面向分子模拟的分类和粗粒度-与所有机器学习技术基础的基本数学概念有关。它讨论了使用简洁而完整的原子结构表示作为分析起点的重要性，并强调了在使用机器学习来合理化和理解结构-性质关系时引入先入为主的偏见的风险。有监督的机器学习技术，明确地试图预测给定结构的材料的特性，不太容易受到这种偏见的影响。该领域目前的发展表明，并行使用这两类方法并以完全集成的模式使用，同时牢记数据分析框架与基本物理原理之间的关系，将是实现机器学习的全部潜力的关键，以帮助理解复杂分子和材料的行为。
2019-03-24 cond-mat.mtrl-sci physics.chem-ph
DScribe: Library of Descriptors for Machine Learning in Materials Science
Aalto University（阿尔托大学）；Nanolayers Research Computing Ltd.（纳米层研究计算有限公司）；Norwegian University of Science and Technology（挪威科技大学）；Technische Universität München（慕尼黑工业大学）；Kanazawa University（金泽大学）
DScribe是一个用于机器学习的软件包，为原子材料模拟提供流行的特征转换（“描述符”）。DScribe通过提供用户友好的现成描述符实现，加速了机器学习在原子属性预测中的应用。该软件包目前包含库仑矩阵，埃瓦尔德和矩阵，正弦矩阵，多体张量表示（MBTR），原子中心对称函数（ACSF）和原子位置平滑重叠（SOAP）的实现。说明了两种不同的应用程序包的使用：固体的形成能预测和有机分子中的原子的离子电荷预测。该软件包在开源Apache许可证2.0下免费提供。
2019-04-18 cond-mat.mtrl-sci cs.LG
GPUMD: A package for constructing accurate machine-learned potentials and performing highly efficient atomistic simulations
本文介绍了GPUMD软件包，通过改进NEP框架的径向和角向描述符提升机器学习势精度，并利用GPU高效实现大规模原子模拟，同时提出主动学习方案和三个Python集成软件包。
2022-06-29 cond-mat.mtrl-sci physics.comp-ph
Atomistic simulations of the deformation behavior of an Nb nanowire embedded in a NiTi shape memory alloy
采用分子动力学模拟研究了预应变和温度对铌纳米线嵌入镍钛记忆合金（SMA）中所表现出的优异性能的影响。为此，我们发展了一种新的基于二次近邻修正嵌入原子方法（2NN MEAM）的Nb-Ni-Ti三元原子间相互作用势。揭示了准线性弹性、细长滞后和杨氏模量降低的独特现象的起源。结果证明了塑性形变在嵌入的Nb纳米线中的重要性，并揭示了变形如何促进刚刚提到的前所未有的现象。提出了一种简单而直接获得的描述符，用于关联和监测预应变过程中的杨氏模量演变。此外，我们的模拟表明，通过适当的预应变，可以获得所需的杨氏模量的应用温度范围很广。
2022-02-19 cond-mat.mtrl-sci physics.comp-ph
qNEP: A highly efficient neuroevolution potential with dynamic charges for large-scale atomistic simulations
College of Physical Science and Technology, Bohai University（渤海大学物理科学与技术学院）；Suzhou Laboratory（苏州实验室）；Chalmers University of Technology（查尔姆斯理工大学）；Department of Materials Science and Engineering, Westlake University（西湖大学材料科学与工程系）；School of Science, Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）理学院）；Shenzhen Key Laboratory of Micro/Nano-Porous Functional Materials (SKLPM), 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微/纳孔功能材料深圳市重点实验室）；Department of Materials Science and Engineering, City University of Hong Kong（香港城市大学材料科学与工程系）
qNEP通过引入环境依赖的部分电荷，实现了高效且准确的原子模拟，适用于大规模系统和长时程模拟。
2026-01-26 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
partycls: A Python package for structural clustering
partycls是一个Python框架，用于相互作用粒子系统的聚类分析。通过对具有相似结构或动力学特性的粒子进行分组，partycls可以快速和无监督地探索系统的相关特征。它提供了适用于凝聚态物理应用的描述符，并将无监督学习的必要工具（如降维）集成到简化的工作流程中。通过一个简单而富有表现力的界面，partycls允许人们打开一个轨迹文件，根据所选的结构描述符执行聚类，并分析和保存结果，只有几行代码。
2021-11-19 cond-mat.dis-nn cond-mat.mtrl-sci physics.comp-ph
Learning Local Equivariant Representations for Large-Scale Atomistic Dynamics
Harvard University（哈佛大学）；Robert Bosch LLC Research and Technology Center（罗伯特·博世有限责任公司研究与技术中心）
同时精确和计算效率高的分子和材料的能量和原子力的参数化是自然科学的长期目标。为了实现这一目标，神经消息传递通过沿着原子图迭代传递消息来描述原子的多体相关性，从而导致了范式转变。然而，这种信息的传播使得并行计算变得困难，并且限制了可以研究的长度尺度。另一方面，严格的基于局部的方法可以扩展到大型系统，但目前无法与消息传递方法所观察到的高精度相匹配。这项工作引入了Allegro，这是一种严格的局部等变深度学习原子间势，同时具有出色的并行计算精度和可扩展性。Allegro使用一系列学习的等变表示的张量积来学习原子坐标的多体函数，但不依赖于消息传递。Allegro在QM 9和修订的MD-17数据集上获得了最先进方法的改进。在QM 9基准测试中，单个张量积层的性能优于现有的深度消息传递神经网络和Transformers。此外，Allegro显示出显着的泛化分布外的数据。基于Allegro的分子动力学模拟与第一性原理计算非常一致地恢复了无定形磷酸盐电解质的结构和动力学性质。最后，我们展示了并行缩放的Allegro与1亿个原子的动力学模拟。
2022-04-11 cond-mat.mtrl-sci cs.LG physics.chem-ph
Model-free quantification of completeness, uncertainties, and outliers in atomistic machine learning using information theory
Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）；University of California（加州大学）
提出基于信息论的无模型理论框架，利用原子中心环境分布的信息熵量化原子机器学习中的信息内容，实现可靠的认知不确定性预测与分布外样本检测。
2024-09-18 cond-mat.mtrl-sci cs.LG physics.chem-ph
GRAINSMITH: A Generator of Polycrystalline Models for Atomistic Simulations with Statistical and Grain-Boundary Morphology Control
Fırat University（埃尔津詹大学）
GRAINSMITH是一个开源Python包，通过统计控制和可选的晶界形态生成可复现的多晶原子模型，支持多种晶体学特征，用于分子动力学模拟和微观结构效应研究。
2026-09-22 cond-mat.mtrl-sci
Stability by Design: Atomistic Insights into Hydrolysis-Driven MOF Degradation
本文通过反应分子动力学和元动力学采样研究七种锌基MOFs的水解稳定性，发现ZIFs比IRMOFs更耐水，并将水解能垒与材料物理化学描述符相关联，为碳捕集多孔材料设计提供指导。
2025-07-22 cond-mat.mtrl-sci
Machine-learned atomistic simulations reveal the basis of hydrogen-induced crack-plane transition in alpha-Fe
The University of Osaka（大阪大学）；Nippon Steel Corporation（日本制铁株式会社）
通过构建α-Fe/H的神经网络势，结合大规模分子动力学和巨正则蒙特卡洛模拟，发现氢致{110}裂纹面从位错发射转变为解理，并揭示其能量起源。
2026-05-24 cond-mat.mtrl-sci physics.comp-ph
Unsupervised topological learning approach of crystal nucleation in pure Tantalum
在我们的日常生活中经常观察到的成核现象在许多领域具有基础，技术和社会重要性，但它们的一些最亲密的机制仍然有待解开。晶体成核是在过冷时发生液体到固体转变的早期阶段，在纳米长度和亚皮秒时间尺度上在原子水平上起始，并且涉及具有局部对称性破缺的复杂多维机制，其在非常细节上很难在实验中观察到。为了在没有先验知识的情况下揭示它们的结构特征，提出了一种基于拓扑描述符的无监督学习方法。这里应用到一个单原子金属，即钽（Ta），它表明，平移和取向排序总是同时发挥作用时，均匀成核开始在低五重对称性的区域。
2022-02-08 cond-mat.mtrl-sci physics.chem-ph
High Dimensional Fluctuations in Liquid Water: Combining Chemical Intuition with Unsupervised Learning
水的局部结构的微观描述仍然是一个公开的挑战。在这里，我们采用一种不可知的方法来理解水的氢键网络使用的经验水模型的分子动力学模拟收获的数据。一组最先进的无监督数据科学技术用于表征水的自由能景观，从使用局部原子描述符编码水环境开始，通过降维，最后使用高级聚类技术。在环境条件下的自由能分析被认为是一致的，与一个粗糙的单盆和独立的水模型的选择。我们发现，水网络的波动发生在一个高维空间，我们使用原子描述符和化学直觉为基础的坐标的组合来表征。我们证明，这两种类型的变量的组合是必要的，以充分捕捉在不同的长度尺度在室温下，也接近水的临界点的氢键网络的波动的复杂性。我们的研究结果提供了一个一般的框架，检查在不同条件下的水的波动。
2022-04-04 cond-mat.mtrl-sci cond-mat.soft
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
Materials Learning Algorithms (MALA): Scalable Machine Learning for Electronic Structure Calculations in Large-Scale Atomistic Simulations
Helmholtz-Zentrum Dresden-Rossendorf（德累斯顿-罗森多夫亥姆霍兹中心）；Center for Advanced Systems Understanding（先进系统理解中心）；Sandia National Laboratories（桑迪亚国家实验室）
该研究提出材料学习算法（MALA）软件包，通过可扩展机器学习框架加速DFT计算，集成数据采样、训练与推理，兼容标准代码，能高效预测电子可观测量，适用于复杂材料系统的大规模原子模拟。
2024-11-29 cond-mat.mtrl-sci cs.LG
Efficient and Accurate Machine-Learning Interpolation of Atomic Energies in Compositions with Many Species
用于原子模拟的机器学习势（MLP）是传统经典势的一个有前途的替代方案。目前的方法依赖于局部原子环境的描述符，其尺寸随着化学物种的数量呈二次方增加。在这篇文章中，我们证明了这种缩放在实践中可以避免。我们表明，一个数学上简单，计算效率高的描述符与恒定的复杂性是足够的，以代表过渡金属氧化物的组合物和生物分子含有11个化学物种的精度约为3毫电子伏/原子。这一见解消除了MLP效用的感知界限，并为研究具有十多种化学物质的以前无法访问的材料的物理学铺平了道路。
2017-12-01 cond-mat.dis-nn cond-mat.mtrl-sci
A data-centric framework for crystal structure identification in atomistic simulations using machine learning
在大尺度下进行的原子级模拟使得能够以原子-原子分辨率调查中尺度材料性质。这种跨尺度模拟的空间复杂性使得它们不适合简单的人类视觉检查。相反，需要专门的结构表征技术来帮助解释。从历史上看，这些都是具有挑战性的建设，需要显着的直觉和努力。在这里，我们提出了一个基本的结构表征任务的替代框架：根据它们所属的晶体结构对原子进行分类。我们的方法是以数据为中心的，并且倾向于使用机器学习而不是启发式分类规则。一组数据科学工具和简单的局部描述符的原子结构一起使用一个有效的合成训练集。我们还介绍了第一个标准和公开可用的基准数据集的晶体结构分类算法的评估。它表明，我们的数据为中心的框架优于所有最流行的启发式方法-特别是在高温时，晶格是最扭曲的-同时引入了一个系统的路线泛化到新的晶体结构。此外，通过使用离群值检测算法，我们的方法能够在无定形原子基序（即，非晶相）和未知的晶体结构，使其特别适合探索性材料合成模拟。
2022-04-04 cond-mat.mtrl-sci
A data driven approach to classify descriptors based on their efficiency in translating noisy trajectories into physically-relevant information
Department of Applied Science and Technology, Politecnico di Torino（应用科学与技术系，都灵理工大学）
本文提出了一种数据驱动方法，通过比较不同描述符在噪声轨迹中提取物理信息的效率，揭示了去噪对描述符性能的影响，并展示了简单描述符在特定条件下可超越高级描述符的能力。
2024-12-27 cond-mat.mtrl-sci cs.LG
Grain segmentation in atomistic simulations using orientation-based iterative self-organizing data analysis
TU Bergakademie Freiberg（弗莱贝格工业大学）；Forschungszentrum Juelich GmbH（于利希研究中心）；RWTH Aachen University（亚琛工业大学）
原子模拟现在已经成为理解原子尺度材料变形机制不可或缺的工具。大规模模拟经常用于研究纳米尺度下多晶材料的行为。在这项工作中，我们提出了一种使用无监督机器学习算法的原子结构的颗粒分割方法，该算法根据原子的方向将原子聚类为单个颗粒。所提出的方法，称为Orisodata算法，是基于迭代自组织数据分析技术，并修改工作在方向空间。在未变形和变形状态下的122晶粒纳米晶薄膜样品上演示了该算法的工作。Orisodata算法还与开源可视化工具Ovito中的其他两种颗粒分割算法进行了比较。结果表明，Orisodata算法能够正确识别变形孪晶以及由小角度晶界分离的区域。模型参数具有直观的物理意义，与实验中使用的相似阈值相关，这不仅有助于获得最佳值，而且便于解释和验证结果。
2021-12-06 cond-mat.mtrl-sci cs.LG
Reward driven workflows for unsupervised explainable analysis of phases and ferroic variants from atomically resolved imaging data
University of Tennessee（田纳西大学）；Oak Ridge National Laboratory（橡树岭国家实验室）；Pacific Northwest National Laboratory（太平洋西北国家实验室）；University of Maryland（马里兰大学）
本文提出奖励驱动工作流，以优化无监督机器学习中的描述符与超参数，从而从原子分辨成像数据中发现Sm掺杂BFO薄膜的极化与晶格畸变，并扩展至优化变分自编码器以解耦结构变异因素。
2024-11-19 cond-mat.mtrl-sci cs.HC cs.LG
Identification of a Multi-Dimensional Reaction Coordinate for Crystal Nucleation in $\text{Ni}_3\text{Al}$
多组分合金凝固过程中的形核是一个复杂的过程，包括不同晶相之间的竞争以及化学成分和有序性。在这里，我们结合过渡界面采样与广泛的提交人分析，探讨原子机制在成核的初始阶段在$\text{Ni}_3\text{Al}$。从熔体中的结晶团簇的形成和生长受到三个描述符之间的相互作用的强烈影响：新兴核的大小，结晶度和化学短程有序。我们证明，它是必不可少的，包括所有三个功能在一个多维的反应坐标正确描述的成核机制，特别是化学短程秩序起着至关重要的作用，在小集群的稳定性。识别多维反应坐标的必要性，预计将是非常重要的原子表征的成核过程中的复杂，多组分系统。
2020-06-23 cond-mat.mtrl-sci
Unsupervised Tracking of Local and Collective Defects Dynamics in Metals Under Deformation
针对金属变形中局部缺陷到集体塑性事件的机制难以跟踪的问题，本文以铜晶格原子模拟为案例，提出基于局部动力学的数据驱动方法，可跟踪缺陷演化并将金属描述为集体现象源于局部触发的复杂系统。
2025-02-13 cond-mat.mtrl-sci
Machine Learning Potential-Driven Molecular Dynamics Simulations of Dehydrogenation in Pristine and Doped MgH$_2$
Central South University（中南大学）；Montanuniversität Leoben（莱奥本矿业大学）；Jilin University（吉林大学）；University of West Bohemia in Pilsen（比尔森西波希米亚大学）
研究利用机器学习势驱动分子动力学模拟，探究原始和掺杂MgH₂脱氢动力学，确定MgH₂（100）表面最活跃，发现新H₂形成机制，筛选出有效掺杂剂Ni，揭示相关关系，为高性能催化剂设计提供框架。
2026-07-21 cond-mat.mtrl-sci
CARBON-2D Topological Descriptor (C2DTD): An Interpretable and Physics-Informed Representation for Two-Dimensional Carbon Networks
Federal University of Paraná（巴拉那联邦大学）；Interdisciplinary Center for Science, Technology, and Innovation, Federal University of Paraná（巴拉那联邦大学跨学科科学与技术创新中心）；College of Technology, University of Brasília（巴西利亚大学技术学院）；State University of Ponta Grossa（蓬塔格罗萨州立大学）；Institute of Physics, University of Brasília（巴西利亚大学物理研究所）
本文提出C2DTD，一种用于二维碳系统的物理导向结构表示方法，通过整合局部几何统计、紧凑径向结构特征和显式原始环拓扑，实现高效且可解释的预测性能，适用于小数据集和缺陷工程石墨烯的分析。
2026-04-02 cond-mat.mtrl-sci
Unsupervised machine learning via transfer learning and k-means clustering to classify materials image data
Carnegie Mellon University（卡内基梅隆大学）
无监督机器学习为从未标记数据集中提取知识和实现最大机器学习性能提供了重要机会。本文演示了如何构建，使用和评估一个高性能的无监督机器学习系统，用于对流行的微观结构数据集中的图像进行分类。东北大学钢铁表面缺陷数据库包括在热轧钢上观察到的六种不同缺陷的显微照片，其格式便于训练和评估图像分类模型。我们使用在自然图像的ImageNet数据集上预训练的VGG16卷积神经网络来提取每个显微图的特征表示。在应用主成分分析从特征描述符中提取信号之后，我们使用k均值聚类来分类图像，而不需要标记的训练数据。该方法实现了$99.4\% \pm 0.16\%$的准确性，并且所得到的模型可以用于对新图像进行分类而无需再训练。与以前的研究相比，这种方法在性能和实用性方面都有所改善。进行敏感性分析，以更好地了解每个步骤对分类性能的影响。这些结果为将无监督机器学习技术应用于材料科学中感兴趣的问题提供了见解。
2020-07-16 cond-mat.mtrl-sci cs.LG eess.IV
