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
atomicrex - A general purpose tool for the construction of atomic interaction models
我们介绍atomicrex，一个用于构建原子间势以及更一般类型的原子尺度模型的开源代码。需要这种有效的模型来模拟包括数千个原子或更多原子的扩展材料结构，因为电子结构方法在这种规模下在计算上变得过于昂贵。Atomicrex涵盖了广泛的原子间势类型，并满足了原子模型开发中的许多需求。作为输入，它支持实验属性值以及\textit{ab initio}能量和力，可以使用各种优化算法来拟合模型。atomicrex的开放式架构使其能够用于经典原子间势之外的自定义模型开发场景，同时由于其Python接口，它可以很容易地集成，例如，电子结构计算或机器学习算法。
2017-01-30 cond-mat.mtrl-sci
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
Assessing the Transferability of General-Purpose MachineLearning Interatomic Potentials for Heterogeneous Catalysis with HetCat26
University of Cambridge（剑桥大学）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
本研究提出HetCat26基准，评估十五个通用机器学习原子间势在多相催化中的可迁移性，发现通用基准无法预测催化性能，并识别出训练数据一致性等关键挑战，为下一代模型开发提供指导。
2026-09-28 cond-mat.mtrl-sci
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
Composable and adaptive design of machine learning interatomic potentials guided by Fisher-information analysis
Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）；Department of Physics and Astronomy（物理与天文学系）；Dartmouth College（达特茅斯学院）；Brigham Young University（Brigham Young大学）
本文提出了一种基于Fisher信息分析的自适应机器学习互原子势设计方法，通过迭代重新配置和评估实现灵活性与可扩展性的平衡，并在铌数据集上取得了优异的预测性能。
2026-02-26 cond-mat.mtrl-sci cs.LG cs.NA
Development of a physically-informed neural network interatomic potential for tantalum
材料的大规模原子模拟严重依赖于原子间势，原子间势预测系统能量和原子力。该领域的最新发展之一是通过机器学习（ML）方法构建原子间相互作用势。ML势通过使用量子力学计算生成的大型参考数据库的数值插值来预测能量和力。虽然可以实现高精度的内插，外推到未知的原子环境是不可预测的。最近提出的物理信息神经网络（PINN）模型通过将神经网络回归与基于物理的键级原子间相互作用势相结合，显着提高了可转移性。在这里，我们证明了通用PINN电位可以开发体心立方（BCC）金属。钽的PINN势再现了2.8 meV/atom内的参考能量。它准确地预测了Ta的广泛的物理性质，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、位错芯结构和Peierls势垒、熔化温度、液体Ta的结构和液体表面张力。这种潜力使得能够以接近第一原理的精度对Ta的物理和机械行为进行大规模模拟，同时速度更快。这种方法可以很容易地扩展到其他BCC金属。
2021-01-16 cond-mat.mtrl-sci
Complex $\mathrm{Ga}_{2}\mathrm{O}_{3}$ Polymorphs Explored by Accurate and General-Purpose Machine-Learning Interatomic Potentials
本文为 $\mathrm{Ga}_{2}\mathrm{O}_{3}$ 开发了 soapGAP 和 tabGAP 两种机器学习高斯近似势，在保证高精度的同时大幅提升计算效率，并成功用于揭示其液-固相变的复杂动力学机制。
2023-05-04 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
Neural Network Interatomic Potentials For Open Surface Nano-mechanics Applications
针对纳米压痕等开放表面纳米力学模拟，本文开发并验证了一种神经网络原子间势，通过相似性筛选第一性原理训练构型，提升位错形核、GSFE曲线和表面剪切应力表征精度。
2023-12-18 cond-mat.mtrl-sci
Unifying the description of hydrocarbons and hydrogenated carbon materials with a chemically reactive machine learning interatomic potential
本研究基于GAP框架与密度泛函理论数据集，构建了可同时描述碳氢化合物、氢化碳材料及纯碳体系的通用化学反应性机器学习原子间势，验证了其宽条件适用性并指出单框架描述分子内/间相互作用的局限，可推动含氢碳材料相关研究。
2024-09-12 cond-mat.mtrl-sci physics.chem-ph
From GAP to ACE to MACE
本文综述了机器学习原子间势领域的GAP方法的扩展方案，以及保留GAP优势并弥补其不足的ACE、MACE相关框架。
2024-10-08 cond-mat.mtrl-sci
Information-entropy-driven generation of material-agnostic datasets for machine-learning interatomic potentials
提出基于信息熵最大化的材料无关数据集自动生成方法，用于训练机器学习原子间势，在无需微调下实现高精度与高鲁棒性，适用于极端条件模拟。
2025-02-03 cond-mat.mtrl-sci
Data-efficient multi-fidelity training for high-fidelity machine learning interatomic potentials
该研究提出基于等变图神经网络的多保真MLIP训练框架，仅需少量高保真数据即可准确学习高保真势能面，性能优于迁移学习与Δ-学习，可扩展至耦合簇级别保真度，为构建高精度通用或定制原子间势提供新路径。
2024-09-12 cond-mat.mtrl-sci
Physically-informed artificial neural networks for atomistic modeling of materials
材料的大规模原子计算机模拟在很大程度上依赖于预测原子上的势能和牛顿力的原子间势。传统的原子间相互作用势是基于物理直观的，但包含的可调参数很少，通常是不准确的。新兴的机器学习（ML）潜力实现了在大型DFT数据库中的能量之间的高度精确的插值，但是，作为纯粹的数学构造，对未知结构的可移植性较差。我们提出了一种新的方法，可以大大提高ML潜力的可转移性，通过通知他们的物理性质的原子间键合。这是通过结合一个相当普遍的物理为基础的模型（分析键级潜力）与神经网络回归。该网络在模拟过程中根据单个原子的局部环境动态调整基于物理的模型的参数。这种方法，被称为物理知情的神经网络（PINN）的潜力，证明了通过开发一个通用的PINN潜在的铝。潜力提供了DFT级的能量预测精度和良好的协议与实验和DFT数据的广泛的物理性质。我们认为，基于物理的ML势的发展是原子模拟领域最有效的前进方向。
2019-01-22 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
Orbital localization error of density functional theory in shear properties of vanadium and niobium
一般认为，密度泛函理论（DFT）能很好地描述大多数具有s、p和d轨道的元素，除了某些具有强定域和关联价电子的材料。在这项工作中，我们发现，广泛使用的交换相关（xc）泛函，包括LDA，GGA和meta-GGA，低估了剪切模量和相稳定性的V和Nb大大。另一方面，通常对相关系统更好的高级混合泛函在这两种简单金属中完全失效。这一惊人的失败是由于GGA的轨道定位误差，这是进一步恶化的混合泛函。这一观察结果证实了一个类似的失败的DFT+U和范德瓦尔斯泛函时，适用于V和Nb。为了解决这个问题，提出了一种半经验的DFT+J方法，它可以通过促进原位交换来使电子离域。此外，它被观察到，包括密度导数略有改善的性能的半局部泛函，与元GGA优于GGA，后者是优于LDA。这一发现表明，为了完全消除V和Nb中的轨道定域误差（主要来自d轨道）和离域误差（主要来自s和p轨道），从而更好地描述它们的电子结构，在Laplacian能级之外引入高阶密度导数是可能和必要的。同样的策略也适用于其他d电子和f电子系统。
2020-03-14 cond-mat.mtrl-sci physics.comp-ph quant-ph
A General-Purpose and Efficient Machine-Learned Potential for SiC from Ambient to Extreme Environments
The Hong Kong Microelectronics Research and Development Institute（香港微电子研发院）；University of Helsinki（赫尔辛基大学）；Xi’an Jiaotong University（西安交通大学）
开发了一种高效通用的机器学习原子间势（ML-IAP），用于碳化硅（SiC）的多百万原子微秒级分子动力学模拟，并系统绘制了2H和3C多型体的压力-温度相图和阈值位移能分布。
2026-09-09 cond-mat.mtrl-sci
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
General-Purpose Machine-Learned Potential for CrCoNi Alloys Enabling Large-Scale Atomistic Simulations with First-Principles Accuracy
Aalto University（阿尔托大学）；NOMATEN Centre of Excellence, National Center for Nuclear Research（国家核研究中心卓越中心）
本文提出一种通用机器学习势能模型，用于CrCoNi合金，实现高精度大尺度原子模拟，准确预测相变和力学性能。
2026-03-26 cond-mat.mtrl-sci physics.comp-ph
Universal Interatomic Potentials as Configuration-Space Generators for One-Shot and Iterative Fine-Tuning of Ab Initio-Accurate Material-Specific Models
Technische Universität Ilmenau（伊尔梅瑙工业大学）
本文提出将通用机器学习原子间势作为构型空间生成器，通过DFT重标定子采样构型，以少量从头算数据微调或训练材料特定模型，实现高效高精度原子模拟。
2026-06-23 cond-mat.mtrl-sci physics.chem-ph
The diffusion-driven orthorhombic to tetragonal transition in YBa$_2$Cu$_3$O$_7$ derived with a machine learning interatomic potential
本文构建并验证基于 ACE 和 DFT 数据的 YBCO 机器学习原子间势，准确描述氧 Frenkel 缺陷扩散及其驱动的正交—四方相变，支持大规模原子模拟。
2025-09-30 cond-mat.mtrl-sci cond-mat.supr-con
On-the-Fly Machine Learning of Interatomic Potentials for Elastic Property Modeling in Al-Mg-Zr Solid Solutions
本研究通过即时机器学习与MACE神经网络构建Al-Mg-Zr固溶体原子间势，高效预测弹性质，与实验偏差在几GPa内，为铝合金设计提供可靠工具。
2025-08-08 cond-mat.mtrl-sci physics.comp-ph
Facet: highly efficient E(3)-equivariant networks for interatomic potentials
Department of Computer Science and Engineering, University of South Carolina（南卡罗来纳大学计算机科学与工程系）；Computational Science and Engineering, Georgia Institute of Technology（佐治亚理工学院计算科学与工程系）
本文提出Facet，一种高效E(3)等变图神经网络架构，通过样条替代MLP和通用等变层，在保持精度下大幅降低计算成本，实现更快训练与推理。
2025-09-10 cond-mat.mtrl-sci cs.LG
Graph Atomic Cluster Expansion for semilocal interactions beyond equivariant message passing
本文提出图原子簇展开，通过图基函数与张量分解描述半局域相互作用，统一现有消息传递势，并在分子、团簇和碳模型上验证其精度、效率及线性可扩展性。
2024-01-20 cond-mat.mtrl-sci
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
A general-purpose neural network potential for Ti-Al-Nb alloys towards large-scale molecular dynamics with ab initio accuracy
针对高Nb TiAl合金缺乏精确原子间势的问题，开发了结合主动学习的Ti-Al-Nb通用机器学习势，以从头算精度实现数千万原子的大规模分子动力学模拟，并准确描述Nb掺杂效应，为高温TiAl合金研究奠定基础。
2024-03-14 cond-mat.mtrl-sci physics.comp-ph
Density-functional model for van der Waals interactions: Unifying many-body atomic approaches with nonlocal functionals
非共价范德华（vdW）相互作用是造成物质中广泛现象的原因。流行的密度泛函方法，治疗vdW相互作用使用不同的物理模型，这些复杂的力量，因此，这些方法的适用性往往限于一个子集的相关分子和材料。针对vdW相互作用的通用密度泛函模型，在这里，我们统一了两种互补的方法：非局部vdW泛函的极化和多体相互作用的原子间方法。所开发的非局部多体色散方法（MBD-NL）提高了现有vdW泛函的准确性和效率，并被证明广泛适用于分子，软，硬材料，包括离子和金属化合物，以及有机/无机界面。
2020-03-10 cond-mat.mtrl-sci physics.chem-ph
Hyperparameter Optimization for Atomic Cluster Expansion Potentials
本文提出一种自动化优化原子簇展开（ACE）势模型超参数的方法，通过扩展XPOT软件包并系统扫描超参数，在硅和Sb2Te3体系上验证了其有效性，强调超参数选择对机器学习势模型开发的重要性。
2024-08-01 cond-mat.mtrl-sci physics.comp-ph
Performant implementation of the atomic cluster expansion (PACE): Application to copper and silicon
原子团簇展开式是原子能量在多原子基函数中的一般多项式展开式。在这里，我们实现了原子团簇扩展的高性能C++代码\verb +PACE+，适用于大规模的原子模拟。我们简要地回顾了原子团簇的膨胀，并给出了详细的能量和力的表达式，以及有效的算法，为他们的评估。我们证明了在\verb +PACE+中实现的原子团簇扩展将先前建立的机器学习原子间势的帕累托前沿转移到更快，更准确的计算上。此外，通用参数化铜和硅，并详细评估。我们发现，新的Cu和Si电位显着提高了最好的高精度大规模原子模拟的潜力。
2021-03-01 cond-mat.mtrl-sci physics.comp-ph
Towards Extended Active Learning for Modelling Ferroelectric Switching: the Need for 'Gold Standards'
International Centre for Quantum and Molecular Structures and the School of Physics, Shanghai University（上海大学量子与分子结构国际中心及物理学院）；University of Technology Sydney（悉尼科技大学）；The University of Queensland（昆士兰大学）；Griffith University（格里菲斯大学）；Materials Genome Institute, International Centre for Quantum and Molecular Structures, Shanghai University（上海大学量子与分子结构国际中心材料基因组研究院）
本研究比较多种DFT与从头计算方法，评估金标准可行性，确定r2SCAN-rVV10和RPAR+S为最优方法，以支持铁电材料的扩展主动学习。
2026-09-24 cond-mat.mtrl-sci
A New Paradigm for Computational Chemistry
ETH Zurich（苏黎世联邦理工学院）
本文提出一种结合量子精度与分子动力学速度的新计算方法，通过机器学习势函数突破传统DFT的局限，有望在未来十年内改变计算化学研究方式。
2026-04-01 cond-mat.dis-nn cond-mat.mtrl-sci physics.chem-ph
