Generating Minimal Training Sets for Machine Learned Potentials
本文提出基于随机网络蒸馏(RND)的方法,从大数据集中识别无关联原子构型以构建最小训练集,结合DFT工作流降低计算成本,在熔融盐KCl和NaCl上验证了其能用极少构型训练出精确的机器学习原子间势。
2023-09-07 cond-mat.mtrl-sci physics.comp-ph
Emergence of Accurate Atomic Energies from Machine Learned Noble Gas Potentials
本文利用总能量组分间的半经验关联获得QTAIM局部原子能量,并发现仅训练总能量的较小神经网络更能忠实重现局部能量划分且具备更好的体系迁移能力。
2024-03-01 cond-mat.mtrl-sci cond-mat.soft physics.comp-ph
Machine-Learned Atomic Cluster Expansion Potentials for Fast and Quantum-Accurate Thermal Simulations of Wurtzite AlN
Tsinghua University(清华大学);University of Oxford(牛津大学)
本文基于原子簇展开框架开发了机器学习原子间势,用于快速且量子精度地模拟纤锌矿AlN的声子输运与热导率,并揭示了双轴应变对其热导率的重要调控作用。
2024-01-21 cond-mat.mtrl-sci cs.LG physics.comp-ph
An atom-based machine-learned dipole-moment model and application to conjugated systems
Quemix Inc.(Quemix公司);The University of Tokyo(东京大学);JSR Corporation(JSR公司);National Institutes for Quantum Science and Technology (QST)(国立量子科学技术研究院);RIKEN Center for Computational Science (R-CCS)(理化学研究所计算科学中心)
提出一种基于原子分解和图神经网络的偶极矩预测模型,可准确预测复杂共轭体系的偶极矩与太赫兹介电函数,推理速度比玻恩有效电荷方案快约3倍。
2026-10-01 cond-mat.mtrl-sci physics.chem-ph
Exploring Electron Beam Induced Atomic Assembly via Reinforcement Learning in a Molecular Dynamics Environment
功能材料和器件的原子-原子组装被认为是纳米科学和纳米技术的最终目标之一。虽然传统上是通过扫描探针显微镜技术实现的,但最近已经表明,扫描透射电子显微镜的光束可以用于单个原子的靶向操纵。然而,这一过程本质上是高度动态的,并通过大量难以理解的单个步骤进行。因此,利用电子束进行原子组装需要自动化方法来控制电子束的参数和定位,以便可靠地制造原子级结构。在这里,我们创建了一个分子动力学环境,其中可以修改单个原子的速度,有效地模拟了光束诱导的相互作用,并应用强化学习来建模由石墨烯晶格上的Si掺杂剂原子组成的特定原子单元的构建。我们发现,这是可能的工程师的奖励功能的代理,以这样一种方式,以鼓励形成本地集群的掺杂剂,而在同一时间最大限度地减少动量变化的幅度。检查学习的政策表明,具有根本重要性的是垂直于物质平面的速度分量,并且进一步地,环境的高随机性导致保守的政策。这项研究显示了在模拟环境中训练的强化学习代理作为原子尺度制造者的潜在用途的潜力,此外,代理学习的动态编码可以学习的重要物理学的特定元素。
2021-04-23 cond-mat.mes-hall cond-mat.mtrl-sci
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
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
Machine-learned approximations to Density Functional Theory Hamiltonians
基于大规模密度泛函理论(DFT)的电子结构计算非常耗时,并且与系统尺寸的比例关系很差。虽然DFT的半经验近似导致计算时间相对于从头DFT减少,但创建这样的近似涉及显著的人工干预,并且对于高通量电子结构筛选计算是非常低效的。在这封信中,我们提出使用机器学习快速准确地预测DFT哈密顿量。使用合适的原子邻域和核岭回归表示,我们表明,可以实现各种材料环境的DFT哈密顿量的准确和可转移的预测。使用预测的哈密顿计算的电子透射谱比较准确,与他们的DFT同行。该方法是独立的DFT基础或所使用的材料系统的细节,可以很容易地自动化和缩放,用于预测任何感兴趣的材料系统的哈密顿量。
2016-12-19 cond-mat.mtrl-sci
Quantifying Chemical Structure and Atomic Energies in Amorphous Silicon Networks
无定形材料即将接近现实的计算机模拟,但需要新的方法来充分理解其复杂的原子结构。在这里,我们展示了基于机器学习(ML)的技术如何为非晶硅(a-Si)的原子尺度结构提供新的定量化学见解。基于相似性函数(“内核”),我们定义了一个结构度量,统一的描述最近和下一个最近邻环境中的非晶态。我们将此应用于a-Si网络的合奏,在熔融淬火模拟与ML为基础的原子间势,在其中我们定制的程度,通过不同的淬火速率下降到$10^{10}$ K/s(导致结构模型,比建立WWW网络的能量更低)的有序。然后,我们展示了如何“机器学习”的原子能允许化学解释,在a-Si与不同的能量稳定区域的协调缺陷。该方法是简单的和便宜的适用于任意结构模型,因此,它预计将有更普遍的意义,为发展的非晶态的定量理解。
2018-11-27 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
On the Completeness of Atomic Structure Representations
多体描述符被广泛用于在机器学习的原子间势的构造中表示原子环境,并且更广泛地用于原子结构上的拟合、分类和嵌入任务。人们普遍认为三体描述符唯一地指定了原子的环境,直到类似原子的旋转和排列。我们产生了几个反例,这种信念,其后果是,任何分类器,回归或嵌入模型的原子为中心的属性,使用3(或4)体功能将不正确地给出相同的结果为不同的配置。将全局属性(如总能量)写为许多以原子为中心的贡献的总和,可以减轻但不能消除这一基本缺陷的影响,这解释了当前“机器学习”力场的成功。我们预测随着所需精度的提高而出现的问题,并提出潜在的解决方案。
2020-06-05 cond-mat.mtrl-sci physics.chem-ph
MBD-ML: Many-body dispersion from machine learning for molecules and materials
Department of Physics and Materials Science, University of Luxembourg(物理与材料科学系,卢森堡大学)
MBD-ML通过预训练消息传递神经网络,直接从原子结构预测原子属性,实现多体色散相互作用的高效计算。
2026-02-25 cond-mat.mtrl-sci cs.LG physics.chem-ph
The energetics of force errors in machine-learned molecular dynamics
Beihang University(北京航空航天大学);McGill University(麦吉尔大学);Nanoacademic Technologies Inc.(纳米学术技术有限公司)
本文提出方向性残余功系数,用于量化机器学习分子动力学中力误差的能量效应,并在锂电解质界面验证,为势评估提供物理基础。
2026-09-10 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
Machine-learning approach for discovery of conventional superconductors
本文提出一种基于原子结构预测电子-声子参数λ和ω_log并后处理计算Tc的机器学习方法,在584个结构数据集上验证后识别出零压下Tc约10-15K的候选超导体。
2023-04-11 cond-mat.mtrl-sci cond-mat.supr-con
Shotgun crystal structure prediction using machine-learned formation energies
针对传统晶体结构预测依赖大量第一性原理计算、计算成本高的问题,提出ShotgunCSP散弹式非迭代单次筛选方法,结合迁移学习与两种生成模型,在保证93.3%预测准确率的同时降低了计算量。
2024-08-20 cond-mat.mtrl-sci physics.comp-ph stat.ML
Contact Map based Crystal Structure Prediction using Global Optimization
晶体结构预测在发现新材料中起着越来越重要的作用。全局优化方法如遗传算法(GA)和粒子群优化(PSO)已经与第一原理自由能计算相结合,以预测给定组成或仅化学体系的晶体结构。虽然这些方法可以在其搜索过程中利用某些晶体模式,例如对称性和周期性,但它们通常不利用大量已知晶体结构中包含的原子构型的大量隐含规则和约束。他们目前只能处理相对较小系统的晶体结构预测。受知识丰富的蛋白质结构预测方法的启发,在本文中,我们探索已知的几何约束,如目标晶体材料的原子接触图,是否可以帮助预测其结构,给出其空间群信息。我们提出了一个基于全局优化的算法,CMCrystal,用于基于原子接触图的晶体结构重建。基于广泛的实验,使用六个全局优化算法,我们表明,它是可行的,以重建晶体结构给定的原子接触图的一些晶体材料,但需要更多的约束条件,为其他目标材料,以实现成功的重建。这意味着从现有材料中获得的原子相互作用信息可以用于改进晶体结构预测。
2021-02-08 cond-mat.mtrl-sci physics.comp-ph
Global Optimization of Atomic Clusters via Physically-Constrained Tensor Train Decomposition
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术研究所);Artificial Intelligence Research Institute (AIRI)(人工智能研究院);HSE University(高等经济大学);Central University(中央大学)
本文提出了一种基于物理约束的张量列车分解方法,用于高效寻找原子簇的全局极小值,适用于高维优化问题。
2026-01-26 cond-mat.mtrl-sci cs.NE math.OC
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
Spectral Operator Representations
本文提出基于电子结构描述符的通用表示框架,利用物理模型对称性与可解释性构建两种光谱算符表示,用于材料相似性度量和在 MC3D 数据库中发现透明导电材料,随机森林分类器在 1% 训练数据下达到 76% 正确率。
2024-03-03 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Learning from the electronic structure of molecules across the periodic table
FAIR at Meta(Meta 的 FAIR 部门);ETH Zurich(苏黎世联邦理工学院);MIT(麻省理工学院)
HELM模型通过利用哈密顿矩阵数据提升分子电子结构学习,为低数据条件下能量预测提供改进方法。
2025-12-07 cond-mat.mtrl-sci cs.LG physics.chem-ph
Distance Matrix based Crystal Structure Prediction using Evolutionary Algorithms
无机材料的晶体结构预测是材料科学和计算化学中的核心问题之一。该问题可以被公式化为全局优化问题,其中全局搜索算法(诸如遗传算法(GA)和粒子群优化)已经与第一原理自由能计算相结合,以预测仅给定材料组成或仅给定化学体系的晶体结构。这些基于DFT的从头算CSP算法计算量大,只能用于预测相对较小的系统的晶体结构。庞大的坐标空间加上昂贵的DFT自由能计算限制了它们的效率和有效性。另一方面,在生物信息学的蛋白质结构预测社区中,类似的结构预测问题已经被并行地深入研究,其中主要的预测器是基于知识的方法,包括利用已知蛋白质结构的同源建模和线程。在这里,我们探讨是否已知的几何约束,如成对的原子距离的目标晶体材料,可以帮助预测/重建其结构给定其空间群和晶格信息。我们提出了DMCrystal,一个基于遗传算法的晶体结构重建算法的基础上预测原子的成对距离。基于大量的实验,我们表明,预测的距离矩阵可以显着地帮助重建晶体结构,通常实现更好的性能比CMCrystal,基于原子接触图的晶体结构预测算法。这意味着从现有材料中学习到的原子相互作用信息的知识可以用于显着提高晶体结构预测的速度和质量。
2020-10-26 cond-mat.mtrl-sci physics.comp-ph
Machine-learned model Hamiltonian and strength of spin-orbit interaction in strained Mg2X (X = Si, Ge, Sn, Pb)
机器学习的多轨道紧束缚(MMTB)哈密顿模型已经被开发来描述金属间化合物$\rm Mg_2Si, Mg_2Ge, Mg_2Sn$和$\rm Mg_2Pb$受应变的电子特性。的MMTB模型纳入自旋轨道介导的相互作用,并校准到通过密度泛函理论(DFT)计算的电子能带结构的大规模并行化的多维蒙特卡罗搜索算法。结果表明,机器学习的五带紧束缚模型再现了整个布里渊区价带结构的关键方面。五带模型揭示了压缩应变使$\rm Mg$的$3s$轨道对导带的贡献和$\rm X~(X=Si,Ge,Sn,Pb)$的外壳层$p$轨道对价带的贡献局部化。相反,拉伸应变具有相反的效果,因为它削弱了$\rm Mg$的$3s$轨道和$\rm X$的外壳层$p$轨道分别对导带和价带的贡献。与遵循层级$|σ_{sp}|>|σ_{pp}|>|σ_{ss}|$的$σ$键合组分相比,$\rm Mg_2X$化合物中的$π$键合可忽略不计,并且对应变的最大变化属于$σ_{pp}$。五带模型允许估计$\rm Mg_2X$中的自旋轨道耦合(SOC)的强度,并获得其对$\rm X$的原子序数和应变的依赖性。此外,能带结构的计算表明,由于应变显着的带隙调谐和带分裂。$-10\%$的压缩应变可以打开金属$\rm Mg_2Pb$中的$Γ$点处的带隙,而$+10\%$的拉伸应变关闭$\rm Mg_2Si$的半导体带隙。$+5\%$的拉伸应变消除了…
2022-07-01 cond-mat.mes-hall cond-mat.mtrl-sci physics.app-ph
Tersoff-NN: Hybrid Machine-Learned Bond-Order Extension of the Tersoff Potential
Faculty of Science and Engineering, Waseda University(早稻田大学理工学术院)
本研究开发了混合机器学习势Tersoff-NN,保留Tersoff势的部分结构并以NN表示键级因子,在提升硅环境描述精度的同时,计算效率更高且动态稳定性更强。
2026-10-19 cond-mat.mtrl-sci physics.chem-ph