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
Optimal data generation for machine learned interatomic potentials
机器学习原子间势（MLIP）通常用于原子模拟，但生成用于拟合这些模型的原子配置数据库是一个费力的过程，需要大量的计算和人力。提出了一种计算效率高的方法来生成数据库的原子配置，包含最佳信息的小位移制度的散装结晶物质的势能面。利用非对角超原胞（NDSC），从头算数据的自动生成过程。MLIP适合于Al，W，Mg和Si，非常接近地再现从头算声子和弹性性质。该协议可以很容易地适应其他材料，并可以插入到任何风味的MLIP生成的工作流程中。
2022-07-24 cond-mat.mtrl-sci physics.chem-ph
Accelerating the Training and Improving the Reliability of Machine-Learned Interatomic Potentials for Strongly Anharmonic Materials through Active Learning
Max-Planck-Gesellschaft（马克斯·普朗克学会）；FHI（弗里茨·哈伯研究所）；The NOMAD Laboratory（NOMAD实验室）
针对强非谐材料中机器学习原子间势因训练集不足导致动力学描述不当的问题，提出结合MLIP-MD与不确定性估计的主动学习方案，经112种材料筛选及原型材料验证，可有效解决相关问题并提升势函数可靠性。
2024-09-18 cond-mat.mtrl-sci cs.LG
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
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
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
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
Uncertainty quantification design principles for machine learning interatomic potentials: lessons learned from hierarchical Bayesian inference
Warwick Centre for Predictive Modelling, School of Engineering, University of Warwick（华威大学工程学院预测建模中心）
本文以氩气耦合簇数据为基准，对比MACE和高斯过程势的UQ策略，提出分层GP势，兼顾误差区分与保守性，为MLIP不确定性量化提供设计原则。
2026-09-18 cond-mat.mtrl-sci physics.chem-ph
Particle Swarm Based Hyper-Parameter Optimization for Machine Learned Interatomic Potentials
Aalto University（阿尔托大学）
使用机器学习（ML）方法对非经验和高度灵活的原子间势能面（PES）进行建模在分子和材料研究中变得越来越流行。训练ML-PES通常分两个阶段进行：特征提取和结构-性质关系建模。特征提取阶段将原子位置转换成一个不变的数学表示。这种表示可以通过调整一组所谓的“超参数”（HP）来微调。随后，使用ML算法（例如神经网络或高斯过程回归（GPR））来基于另一组HP对结构-PES关系进行建模。为两组HP选择最佳值对于确保所得ML-PES模型的高质量至关重要。在本文中，我们使用自定义编码的并行粒子群优化器（可在https：//github.com/suresh0807/PPSO.git免费获得）探索为ML-PES生成量身定制的HP优化策略。我们采用平滑重叠的原子位置（SOAP）描述符结合基于GPR的高斯近似势（GAP）和优化的HP为四个不同的系统：玩具C二聚体，无定形碳，$α$ -Fe，和有机小分子（QM 9数据集）。我们提出了一个两步优化策略，其中的HP相关的特征提取阶段进行优化，然后在训练阶段的HP的优化。这种策略在计算上比同时优化所有HP更有效，因为它显著减少了为获得最佳HP而需要训练的ML模型的数量。这种方法可以简单地扩展到描述符和ML算法的其他组合，并使我们更接近完全自动化的ML-PES生成。
2020-12-31 cond-mat.mtrl-sci cs.LG
Machine-learned interatomic potential for titanium carbide MXenes: Application to ion irradiation simulations
University of Helsinki（赫尔辛基大学）
研究针对裸露的Ti$_{n+1}$C$_n$ MXenes开发机器学习原子间势，用于离子辐照模拟。通过密度泛函理论计算训练，该势展现良好性能，模拟结果为MXenes缺陷工程提供指导，也为其他MXenes的原子模拟提供范例。
2026-07-08 cond-mat.mtrl-sci physics.comp-ph
Li-P-S Electrolyte Materials as a Benchmark for Machine-Learned Interatomic Potentials
本文提出LiPS-25基准数据集，用于评估机器学习互原子势在固态电解质材料中的性能，重点测试超参数和模型微调效果，并扩展至其他材料系统。
2025-11-20 cond-mat.mtrl-sci physics.comp-ph
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
Construction and Tuning of CALPHAD Models Using Machine-Learned Interatomic Potentials and Experimental Data: A Case Study of the Pt-W System
本研究提出开源高效的PhaseForgePlus工作流，结合机器学习势与实验数据构建校准CALPHAD模型，以Pt-W体系验证其可通过梯度优化快速得到准确相图的吉布斯能描述。
2025-08-01 cond-mat.mtrl-sci physics.comp-ph
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
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
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
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
Autonomous thermodynamically informed database generation for machine-learned interatomic potentials and application to magnesium
University of Warwick（华威大学）
本文提出了一种自主热力学引导的数据库生成方法，用于构建机器学习原子间势能模型，应用于镁，实现了在广泛压力和温度范围内的高精度描述。
2025-12-02 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
Benchmarking empirical and machine-learned interatomic potentials using phase diagram predictions for Lead
University of Warwick（华威大学）；University of Cambridge（剑桥大学）；Tohoku University（东北大学）
本文比较了三种不同原子间势能模型对铅相行为的预测，揭示了训练数据和模型灵活性对高压相行为描述的重要性，并展示了嵌套采样在材料相稳定性探索中的有效性。
2026-05-15 cond-mat.mtrl-sci cond-mat.stat-mech
How to validate machine-learned interatomic potentials
本文综述机器学习原子间势的验证原则，提出结合数值误差指标与物理引导验证的最佳实践和具体建议。
2022-11-28 cond-mat.mtrl-sci physics.chem-ph
Modeling refractory high-entropy alloys with efficient machine-learned interatomic potentials: defects and segregation
我们为Mo-Nb-Ta-V-W五元系开发了一个快速准确的机器学习原子间相互作用势，并利用它来研究体心立方耐火高熵合金MoNbTaVW中的偏析和缺陷。在块体合金中，我们观察到明确的秩序，主要是Mo-Ta和V-W二元在低温下。在受损的晶体中，我们的模拟揭示了合金中最小的原子钒的明显偏析，以压缩富金属区域，如辐射诱导的位错环。钒也占主导地位的人口的单一自间隙原子。相反，由于其较大的尺寸和低表面能，铌偏析到宽敞的区域，如空隙的内表面。当退火过饱和浓度的缺陷的样品，我们发现，在完全相反的W，间隙原子在MoNbTaVW簇，以创建只有小（$\sim 1$ nm）实验上看不见的位错环富集钒。通过与W的比较，我们解释了这一点的减少，但三维迁移的mantitials，位错环的不动性，和增加的流动性的空位在高熵合金，一起促进缺陷重组集群。
2021-09-06 cond-mat.mtrl-sci physics.comp-ph
Machine Learned Interatomic Potentials for Ternary Carbides trained on the AFLOW Database
本研究利用AFLOW数据库训练四种三元碳化物的矩张量势，结合主动学习生成稳健势和高精度势，成功预测了与DFT高度吻合的生成焓，并发现了AFLOW未收录的MoWC稳定结构。
2024-05-16 cond-mat.mtrl-sci
Multiscale machine-learning interatomic potentials for ferromagnetic and liquid iron
我们开发并比较了四种铁原子间势：一个简单机械学习的嵌入原子方法（EAM）势，一个机器学习的两体和三体相关项的势，一个机器学习的EAM和三体项的势，以及一个SOAP描述符的高斯近似势。所有的势都被训练到用密度泛函理论计算的体心立方和液体结构的相同的不同数据库。四个潜在的代表不同层次的复杂性和跨越三个数量级的计算成本。前三个潜在的制表和评估有效地使用三次样条插值，而第四个实施没有额外的优化。我们比较和讨论的优势，每一个实施，可转移性和适用性方面的平衡所需的精度与计算成本。
2022-01-25 cond-mat.mtrl-sci physics.comp-ph
Bias in Universal Machine-Learned Interatomic Potentials and its Effects on Fine-Tuning
Georgia Institute of Technology（佐治亚理工学院）
研究通用机器学习原子间势在微调中的偏差问题，提出周期性微调方法以生成更通用准确的模型，并通过主成分空间和Q残差分析量化外推不确定性。
2026-06-18 cond-mat.mtrl-sci
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
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
Radiation damage and phase stability of Al$_x$CrCuFeNi$_y$ alloys using a machine-learned interatomic potential
University of Helsinki（赫尔辛基大学）
本研究利用机器学习互原子势分析Al$_x$CrCuFeNi$_y$合金的辐射损伤与相稳定性，发现等原子组成下FCC向BCC转变，并揭示不同合金成分在辐照下的缺陷浓度差异及短程有序现象。
2025-08-27 cond-mat.mtrl-sci
Machine-Learned Interatomic Potential for Predictive Simulation of MoS2 Epitaxy
University of Florida（佛罗里达大学）
本文提出了一种基于机器学习的互原子势（MLIP），用于预测多层MoS2的外延生长，该势能函数在多个方面与DFT结果一致，包括晶格常数、层间结合能和相稳定性，并能准确模拟声子谱和各向异性弹性张量，同时高保真地捕捉缺陷和边缘形成能，支持非平衡分子动力学模拟，展示出与实验一致的层状同质外延生长过程。
2026-04-17 cond-mat.mtrl-sci
Nine-element machine-learned interatomic potentials for multiphase refractory alloys
University of Helsinki（赫尔辛基大学）；Bohai University（渤海大学）；Aalto University（阿尔托大学）；Loughborough University（拉夫堡大学）
本文提出两种高效机器学习势和耐火合金数据库，用于模拟多相耐火合金的多种相变和物理性质。
2026-03-04 cond-mat.mtrl-sci physics.comp-ph
Combining Brillouin spectroscopy and machine learned interatomic potentials to probe mechanical properties of metal organic frameworks
本研究将布里渊散射技术与基于机器学习力场和色散校正密度泛函理论的模拟相结合，探究了新型金属有机框架材料GUT2的力学性质，克服了单晶尺寸限制，成功确定了其弹性张量分量的近似值。
2024-09-11 cond-mat.mtrl-sci
Minimalist machine-learned interatomic potentials can predict complex structural behaviors accurately
极简主义的机器学习互原子势能可准确预测复杂结构行为，展示出其在发现新物理现象中的有效性。
2025-11-21 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
Unraveling the Crystallization Kinetics of the Ge$_2$Sb$_2$Te$_5$ Phase Change Compound with a Machine-Learned Interatomic Potential
本文为Ge$_2$Sb$_2$Te$_5$开发了一种基于深度神经网络的机器学习原子间势，通过大规模分子动力学模拟揭示了其结晶动力学细节，为在真实器件尺度上模拟相变材料提供了可能。
2024-02-15 cond-mat.dis-nn cond-mat.mtrl-sci
Strong atomic reconstruction in twisted bilayers of highly flexible InSe: Machine-Learned Interatomic Potential and continuum model approaches
本研究通过机器学习原子间势和连续介质模型，发现高度柔性InSe扭转双层在广泛扭转角下发生显著原子重构，包括面外褶皱和面内畴形成。
2024-06-27 cond-mat.mes-hall 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
Ionic Diffusion Properties of Rare-Earth High-Entropy Oxides from a Machine-Learned Interatomic Potential
The Pennsylvania State University（宾夕法尼亚州立大学）
研究利用CHGNet机器学习原子间势驱动分子动力学模拟，探究铈基稀土高熵氧化物中氧扩散。通过对三种CHGNet变体基准测试，揭示氧传输受空位浓度和阳离子环境影响，明确成分调整增强氧离子电导率的途径。
2026-07-27 cond-mat.mtrl-sci
Unveiling the crystallization kinetics in Ge-rich Ge$_x$Te alloys by large scale simulations with a machine-learned interatomic potential
本文开发了一种高精度的机器学习原子间势，用于大规模分子动力学模拟，揭示了富Ge的Ge$_x$Te合金中依赖于温度的相分离与结晶动力学机制，为提升相变存储器性能提供了重要参考。
2024-04-23 cond-mat.dis-nn cond-mat.mtrl-sci
Fine-Tuning a Universal Machine-Learned Interatomic Potential for Oxygen Plasma Interactions with WS$_2$
Princeton University（普林斯顿大学）
通过迭代微调预训练的通用机器学习原子间势（UMA模型），结合SOAP和FPS采样、DFT标注，实现了对氧等离子体与WS$_2$相互作用的准确模拟，能量和力MAE分别降至4.5×10^{-3}eV/原子和0.076eV/Å。
2026-08-25 cond-mat.mtrl-sci physics.chem-ph
Machine-Learned Interatomic Potentials for Predicting Physicochemical Properties of Molten Metal-Salt Systems for Calcium Electrolysis
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术学院）；Digital Materials LLC（数字材料有限责任公司）；Institute of High Temperature Electrochemistry, Ural Branch of the Russian Academy of Sciences（俄罗斯科学院乌拉尔分院高温电化学研究所）
本文利用机器学习的MTP势能进行分子动力学模拟，准确预测熔融Ca-Cu合金和CaCl2-KCl电解质的物理化学性质，验证了该方法在冶金应用中的有效性。
2026-03-26 cond-mat.mtrl-sci
Revealing Hydroxide Ion Transport Mechanisms in Commercial Anion-Exchange Membranes at Nano-Scale from Machine-learned Interatomic Potential Simulations
Technische Universität Ilmenau（伊尔梅瑙工业大学）；Fraunhofer-Institut für Keramische Technologien und Systeme IKTS（弗劳恩霍夫陶瓷技术与系统研究所）
研究通过机器学习势能模拟揭示了商业阴离子交换膜中氢氧根离子传输机制，发现水含量影响氢键网络形成，进而影响质子迁移和扩散系数，为膜材料优化提供理论依据。
2026-03-14 cond-mat.mtrl-sci physics.chem-ph
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
Application-specific machine-learned interatomic potentials: exploring the trade-off between DFT convergence, MLIP expressivity, and computational cost
Theoretical Division T-1, Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室理论物理第一分部）；Department of Chemistry, University of Texas at Austin（德克萨斯大学奥斯汀分校化学系）；Max Planck Institute for Sustainable Materials（马克斯·普朗克可持续材料研究所）
本文研究了应用特定机器学习互原子势中DFT收敛性、MLIP表达性与计算成本之间的权衡，通过优化训练策略和模型复杂度，降低整体计算成本。
2025-12-10 cond-mat.mtrl-sci physics.comp-ph
Hierarchical Crystal Structure Prediction of Zeolitic Imidazolate Frameworks Using DFT and Machine-Learned Interatomic Potentials
University of Warsaw（华沙大学）；University of Birmingham（伯明翰大学）；University of Southampton（南安普顿大学）；University of Cambridge（剑桥大学）
本文通过高通量探索锌咪唑盐（ZnIm2）的晶体能景观，利用DFT和机器学习互原子势发现24种已知结构及1484种拓扑结构，其中855种为新拓扑结构，并通过实验验证了预测结构的可靠性。
2026-05-13 cond-mat.mtrl-sci cond-mat.other
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
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
Evaluation of Foundational Machine Learned Interatomic Potentials for Migration Barrier Predictions
National Institute of Technology Karnataka（卡纳塔克国立技术学院）；Indian Institute of Science（印度科学学院）；Dalhousie University（达尔豪斯大学）
本文评估了五种基础机器学习互原子势能模型在预测离子迁移势能及几何结构方面的准确性，发现MACE-MP-0和Orb-v3在预测精度上表现优异，且能有效区分优良与劣质离子导体。
2025-12-03 cond-mat.mtrl-sci
Accelerating the prediction of inorganic surfaces with machine learning interatomic potentials
University of Minnesota（明尼苏达大学）
本文综述了利用机器学习原子间势加速无机表面预测的方法，涵盖第一性原理表面相图计算及数据驱动方法，旨在提升纳米尺度表面建模的预测能力。
2023-12-18 cond-mat.mtrl-sci cs.LG
Fine-Tuned Machine-Learned Interatomic Potentials for Structural and Vibrational Properties of Twisted 2D Materials
Université catholique de Louvain (UCLouvain)（天主教鲁汶大学）；WEL Research Institute（WEL研究所）
通过微调通用原子基础模型，开发了适用于扭曲二维材料（如双层石墨烯、h-BN和MoS2）的机器学习原子间势，准确模拟了原子重构和莫尔声子谱，与实验吻合。
2026-06-23 cond-mat.mes-hall cond-mat.mtrl-sci
Six Open Questions in Machine-Learned Interatomic Potential Foundation Models
Imperial College London（帝国理工学院）；University College London（伦敦大学学院）；University of California Berkeley（加州大学伯克利分校）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
本文定义机器学习原子间势基础模型，并探讨六个关键开放问题，包括数据多样性、模型泛化、可迁移性、不确定性量化、计算效率与物理一致性，以指引未来研究。
2026-06-11 cond-mat.dis-nn cond-mat.mtrl-sci physics.app-ph
Dataset-aware entropy-maximized active learning for machine-learned interatomic potentials
Rutgers University（罗格斯大学）
本文提出了一种面向数据集的熵最大化主动学习框架，用于高效生成机器学习原子间势能函数（MLIPs）的训练数据。该方法结合了局部熵驱动的分子动力学与全局数据集感知过滤：每个配置的熵项使MD轨迹倾向于结构多样的快照，而全局熵度量，即整个数据集指纹协方差矩阵的对数行列式，仅选择那些提供真正新信息的配置。通过双协方差模式（每个原子用于无序结构，每个配置用于有序相）实现配置空间的广泛覆盖。结合预训练的基础模型（Allegro-OAM-L）和来自高斯重叠矩阵特征值的分析指纹梯度，该框架在训练集大小为10^2到10^3的熵选择DFT标记结构上，能够以近或亚毫电子伏/原子的精度生成高质量的领域特定势能函数。在三个涵盖不同键合类型和压力驱动相变的系统上进行了验证：碳（共价）、硅（共价/金属）和NaCl（离子）。在与随机分子动力学采样在匹配训练集大小（N=100到800）的对比学习曲线中，评估三个独立的训练集抽样，熵驱动采样在N=800时在三个系统上的分布保持测试中实现了约3到10倍的较低能量MAE，增益的大小取决于键合类型和随机-MD基线在训练集大小上的饱和程度。
2026-05-19 cond-mat.mtrl-sci
Barocaloric phase transformation from data efficient fine-tuning of machine learned interatomic potentials
Linköping University（林雪平大学）
本研究通过微调MACE-MPA-0基础模型，仅用5-10个DFT构型即可准确模拟硫酸铵的气压相变，显著降低训练数据需求。
2026-06-25 cond-mat.mtrl-sci
