AI for Science

Interpretable Meta-Learning for Multi-Objective Chemical Search

可解释的元学习用于多目标化学搜索

Antonio Varagnolo, Yulia Pimonova, Michael G. Taylor, Raphaël Pestourie, Nicholas E. Lubbers

专题命中 材料化学 ：元学习用于多目标分子搜索

AI总结 提出结合可解释线性元学习与自适应置信度不确定性的模块化流水线，在多目标分子发现中首次应用线性元学习，在自旋交叉金属有机配合物搜索中Pareto性能提升78%。

Comments LA-UR-26-24964

A Hybrid GNN-FEM Framework for Phase-Field Fracture Simulation. Physics-Preserving Hybridization for Generalizable Surrogate Modeling

一种用于相场断裂模拟的混合GNN-FEM框架：面向通用代理模型的物理保持混合方法

Hyeonbin Moon, Yongjin Choi, Seunghwa Ryu

专题命中 材料化学 ：混合GNN-FEM框架用于断裂模拟

AI总结 提出混合GNN-FEM框架，用图神经网络替代相场更新步骤，保留FEM位移求解器，通过无量纲特征设计和物理信息损失实现跨几何、载荷、材料和离散化的通用断裂模拟，降低计算成本并保持精度。

Comments 46 pages

Physics-Informed Discovery of Yield Functions in Plasticity via Convex Neural Representations

基于凸神经表示的塑性屈服函数物理信息发现

Hyeonbin Moon, Donghyuk Cho, Jecheon Yu, Jeong Whan Yoon, Seunghwa Ryu

专题命中 材料化学 ：物理信息发现塑性屈服函数

AI总结 提出一种物理信息框架，从全场位移和反力数据中自动发现各向异性屈服函数，无需应力观测或预设参数形式，采用凸神经网络表示并嵌入弹塑性应力积分中训练。

Comments 39 pages

MinSurf: resolving the atomic-scale stability landscape of mineral surfaces

MinSurf：解析矿物表面的原子尺度稳定性景观

Fengzijun Pan, Zhoulin Liu, Pingyang Zhang, Jiaqiu Xu, Zepeng Fan, Dawei Wang, Jianzhong Pei

专题命中 材料化学 ：高通量框架预测矿物表面稳定性，材料计算

AI总结 提出高通量框架MinSurf，结合表面枚举、DFT标记、机器学习势和Wulff构造，预测矿物表面稳定终止、能量景观和平衡形态，加速比达1.14×10^4。

HEACalculator: An Open-Source Python Tool for Thermodynamic Property Calculation and Solid Solution Prediction in High-Entropy Alloys

HEACalculator：用于高熵合金热力学性质计算和固溶体预测的开源Python工具

Doğuhan Sarıtürk, Yunus Eren Kalay, Raymundo Arróyave

专题命中 材料化学 ：高熵合金热力学计算与固溶体预测工具

AI总结 本文介绍HEACalculator，一个开源Python包，可计算16种常用热力学和结构描述符，并评估8种固溶体形成规则，支持CLI、GUI和API三种使用模式。

Comments 7 pages, 1 figure

Coordination-Sensitive Nanoscale Analysis of Defect-Driven Phase Transformation in Si-Doped (AlXGa1-X)2O3

Si掺杂(AlXGa1-X)2O3中缺陷驱动相变的配位敏感纳米尺度分析

Shaon Das, Jith Sarker, Christopher Chae, Lingyu Meng, Joel B. Varley, Hongping Zhao, Jinwoo Hwang, Baishakhi Mazumder

专题命中 材料化学 ：Si掺杂氧化镓相变纳米尺度分析

AI总结 通过配位敏感原子探针层析技术，定量解析了Si掺杂β-(AlxGa1-x)2O3中局部阳离子配位减少与缺陷驱动相变（γ相形成）的直接关联，揭示了Al含量和Si掺杂协同诱导配位崩塌的机制。

Electric-field induced trends of exchange interactions in transition-metal trilayers

过渡金属三层膜中交换相互作用的电场诱导趋势

Moinak Ghosh, Stefan Heinze, Souvik Paul

专题命中 材料化学 ：密度泛函理论研究电场下交换相互作用

AI总结 利用密度泛函理论，系统研究了外加电场下无支撑过渡金属三层膜中的海森堡对交换相互作用和超越海森堡的多自旋高阶交换相互作用，发现交换常数在低电场下呈线性变化，且高阶交换常数变化可达百分之十。

General spin models from noncollinear spin density functional theory and spin-cluster expansion

来自非共线自旋密度泛函理论和自旋团簇展开的一般自旋模型

Tomonori Tanaka, Yoshihiro Gohda

专题命中 材料化学 ：自旋模型构建，用于磁性材料研究

AI总结 提出结合自旋团簇展开与非共线自旋密度泛函理论的数据高效框架，通过拟合磁转矩而非总能来构建经典自旋哈密顿量，显著减少DFT计算量，并成功应用于B20型手性磁体，预测螺旋周期与成分趋势。

Ab initio Phase Diagram of Ta2O5

Ta2O5 的从头算相图

Yan Gong, Huimin Tang, Yong Yang, Yoshiyuki Kawazoe

专题命中 材料化学 ：第一性原理计算Ta2O5相图，材料科学

AI总结 通过第一性原理计算，建立了 Ta2O5 的压力-温度相图，发现零点和热声子贡献对相稳定性有显著影响，并预测了 Gamma 与 B-Ta2O5 之间的重入相变。

Comments 35 pages, 12 figures, 3 tables

On-the-Fly Machine-Learned Force Fields for High-Fidelity Polymer Glass Transition Simulations

用于高保真聚合物玻璃化转变模拟的即时机器学习力场

Ashutosh Srivastava, Sakshi Agarwal, Shivank Shukla, Harikrishna Sahu, Rampi Ramprasad

专题命中 材料化学 ：机器学习力场用于聚合物玻璃化转变模拟，属于材料科学。

AI总结 提出混合AIMD与即时机器学习力场构建的方法，实现量子力学精度下聚合物玻璃化转变温度的预测，计算成本降低约六个数量级。

Evaluating Universal Machine Learning Force Fields Against Experimental Measurements

评估通用机器学习力场与实验测量的对比

Sajid Mannan, Vaibhav Bihani, Carmelo Gonzales, Kin Long Kelvin Lee, Nitya Nand Gosvami, Sayan Ranu, Santiago Miret, N M Anoop Krishnan

专题命中 材料化学 ：评估通用机器学习力场在材料科学中的应用。

AI总结 提出UniFFBench框架和MinX数据集，系统评估六种通用机器学习力场，发现模型在计算基准上表现优异但在实验复杂性下存在显著“现实差距”，密度预测误差高于实际应用阈值。

Four regimes of primary radiation damage in tungsten

钨中初级辐射损伤的四个区域

Jesper Byggmästar, Ville-Markus Yli-Suutala, Aslak Fellman, Jan Åström, Jan Westerholm, Fredric Granberg

专题命中 材料化学 ：模拟钨中辐射损伤，用于聚变反应堆材料

AI总结 通过机器学习驱动的大规模分子动力学模拟，发现钨中初级损伤随能量变化呈现四个区域，其中高能区偏离所有现有模型，且该区域起始能量与聚变中子对钨原子的最大反冲能量一致。

Machine Learning a Phosphor's Excitation Band Position

机器学习发光体的激发带位置

Nakyung Lee, Małgorzata Sójka, Annie La, Syna Sharma, Seán Kavanagh, Docheon Ahn, David O. Scanlon, Jakoah Brgoch

专题命中 材料化学 ：机器学习预测发光材料激发波长

AI总结 本文提出基于极端梯度提升的机器学习方法，用于预测发光材料的最长激发波长，通过实验验证了Ce³+离子取代位点的数据，成功合成新型蓝光激发绿光发射材料。

Journal ref ACS Appl Mater Interfaces 2026 18 23 32921

Machine-learned prediction of carbon interstitial clusters in diamond

金刚石中碳间隙簇的机器学习预测

Xiaoya Chang, Arsalan Hashemi, Nima Ghafari Cherati, Mikko Karttunen, Ádám Gali, Tapio Ala-Nissila

专题命中 材料化学 ：机器学习预测金刚石碳间隙簇，属于材料科学

AI总结 通过主动学习构建间隙数据集，并基准测试三种机器学习原子间势，发现MACE势能准确预测能量和稳定性，而分子动力学模拟揭示了新的碳间隙簇及其亚稳态机制。

TorchNEP: Ultra-Efficient and Accurate Training of Neuroevolution Potentials

TorchNEP：神经演化势的超高效和精确训练

Yong-Chao Wu, Xiaoya Chang, Tero Mäkinen, Amin Esfandiarpour, Jian-Li Shao, Tapio Ala-Nissila, Zheyong Fan, Mikko Alava

专题命中 材料化学 ：神经演化势训练加速，属于材料科学智能

AI总结 提出基于PyTorch的TorchNEP框架，通过解析梯度、自适应优化和两阶段训练策略，将NEP训练加速两个数量级以上，并提升预测精度。

Moreau-Yosida-based Kohn-Sham Inversion for Periodic Systems

基于Moreau-Yosida的周期系统Kohn-Sham反演

Vebjørn H. Bakkestuen, Michael F. Herbst, Vegard Falmår, Markus Penz, Andre Laestadius

专题命中 材料化学 ：Kohn-Sham反演用于周期系统，属于材料科学

AI总结 本文在Moreau-Yosida正则化密度泛函理论框架下，理论并数值研究了周期系统的密度-势反演，通过极限过程恢复Kohn-Sham交换关联势，并证明了非相互作用动能泛函的下半连续性。

Controllable Quantum Spin Hall Phases in Bi$_2$Te$_3$-Family van der Waals Heterobilayers

Bi$_2$Te$_3$族范德华异质双层中的可控量子自旋霍尔相

Emmanuel V. C. Lopes, Pedro H. Sophia, Felipe Crasto de Lima, Adalberto Fazzio

专题命中 材料化学 ：Bi2Te3族异质双层中的量子自旋霍尔相

AI总结 通过第一性原理和紧束缚方法，在Bi$_2$Te$_3$族平庸五层堆叠的范德华异质结中发现量子自旋霍尔相，并展示通过层间应变和电场可开关拓扑边缘态，且对层间扭转鲁棒。

Magnetic configurations and excitations in high-$T_{c}$ multilayer nickelates

高$T_{c}$多层镍酸盐中的磁构型和激发

Jun Zhan, Xianxin Wu, Jiangping Hu

专题命中 材料化学 ：多层镍酸盐磁构型和激发研究

AI总结 基于多轨道巡游框架研究双层和三层镍酸盐的磁基态和横向自旋激发，发现单条纹态与RIXS和中子散射实验定性一致，并识别出镜偶和镜奇模式，支持多层镍酸盐中磁性的共同巡游起源。

Comments 10 pages, 5 figures

A Defect-Free Model of Amorphous Silicon with Pristine Electronic Structure

具有纯净电子结构的无缺陷非晶硅模型

Louise A. M. Rosset, Chinonso Ugwumadu, Stephen R. Elliott, David A. Drabold, Volker L. Deringer

专题命中 材料化学 ：机器学习模拟无缺陷非晶硅模型

AI总结 通过机器学习分子动力学模拟生成无缺陷非晶硅模型，结合杂化密度泛函理论计算，准确再现实验电子带隙，并与WWW方法及其他模型对比，为带尾态、光学性质和输运研究提供平台。

Correlated Mott semi-metal in the topological heavy fermion model

拓扑重费米子模型中的关联莫特半金属

Emile Pangburn, Igor de Melo Froldi, Anurag Banerjee

专题命中 材料化学 ：拓扑重费米子模型中的关联莫特半金属

AI总结 针对魔角扭曲双层石墨烯的拓扑重费米子模型，开发了超越单格点近似的Hubbard算符方法，准确捕捉局域与巡游电子耦合，与精确数值模拟一致。

Large spin splitting at ferromagnetic surfaces of bulk antiferromagnets

块体反铁磁体铁磁表面的大自旋分裂

William A. Schaarman, Sophie F. Weber

专题命中 材料化学 ：研究反铁磁体表面自旋分裂，属于材料科学

AI总结 利用密度泛函理论和模型哈密顿量，揭示块体反铁磁体低对称性铁磁表面能带的大自旋分裂，提出通过表面对称性破缺在反铁磁体中实现功能性大自旋分裂的新途径。

Comments 5 pages, 4 figures without appendix. To be submitted to Physical Review Letters

Quantitative prediction of excitons in lattice-mismatched van der Waals heterostructures

晶格失配范德华异质结构中激子的定量预测

Jakob Kjærulff Svaneborg, Mikkel Ohm Sauer, Amalie Helena Svaneborg, Kristian Sommer Thygesen

专题命中 材料化学 ：预测范德华异质结构激子，材料计算

AI总结 提出微观量子静电异质结构(mQEH)方法，结合层投影Bethe-Salpeter方程，高效预测晶格失配范德华异质结构的光学性质，计算结果与实验高度吻合。

Comments 19 pages, 9 figures, 5 tables

Charge-state control of carbon-related optical absorption in AlN

AlN中碳相关光学吸收的电荷态控制

Helen C. Robinson, Daniil Danilin, Md Shafiqul Islam Mollik, Darshana Wickramaratne, John L. Lyons, Vladimir Fedorov, Sergey Mirov, M. E. Zvanut

专题命中 材料化学 ：AlN中碳相关光学吸收的电荷态研究

AI总结 通过光致EPR和吸收光谱实验结合第一性原理计算，证明AlN中2-4 eV亚带隙吸收带源于氮位替代碳的中性电荷态C_N，并确定其与价带间跃迁发生在约3.3 eV。

Comments 13 pages, 4 figures

Deposition and Growth of the AlCoCuFeNi High-Entropy Alloy Thin Film: Molecular Dynamics Simulation

AlCoCuFeNi高熵合金薄膜的沉积与生长：分子动力学模拟

Oleksandr I. Kushnerov, Valerij F. Bashev, Sergey I. Ryabtsev

专题命中 材料化学 ：高熵合金薄膜沉积的分子动力学模拟

AI总结 利用分子动力学模拟研究AlCoCuFeNi高熵合金薄膜在硅(100)基底上的生长过程，发现初始阶段形成小团簇，约5 ns后开始结晶，最终薄膜包含面心立方、体心立方、六方密排和非晶相。

Comments Preprint version of a book chapter. 8 pages, 5 figures. Published in Springer Proceedings in Physics 263 (2021), 419-427. DOI: 10.1007/978-3-030-74741-1_28

Journal ref Springer Proc. Phys. 263 (2021) 419

Sparse identification of effective microparticle interaction potential in dusty plasma from simulation data

稀疏识别有效微粒相互作用势在等离子体中的应用

Zachary Brooks Howe, Lorin Swint Matthews, Truell Hyde, Luca Guazzotto, Evdokiya Kostadinova

专题命中 材料化学 ：稀疏识别微粒相互作用势，等离子体物理。

AI总结 本文提出利用SINDy方法从模拟数据中稀疏识别微粒相互作用势，用于预测等离子体相变和结构形成。

Comments 11 pages, 4 figures. This work has been submitted to the Physics of Plasmas for possible publication

MolGraphBench: A Benchmark of GNN Architectures for Molecular Regression Tasks

MolGraphBench：用于分子回归任务的GNN架构基准测试

Rajan, Ishaan Gupta

专题命中 材料化学 ：分子回归任务GNN基准测试，化学信息学。

AI总结 提出MolGraphBench基准，比较四种GNN模型在分子回归任务上的性能，发现GCN和GIN为最优架构，并指出GNN层类型应作为可调超参数。

Comments 14 pages, 5 figures and 4 tables

Unraveling Intertwined Orders in the Strongly Correlated Kagome Metal CsCr3Sb5

解析强关联kagome金属CsCr3Sb5中的交织秩序

Liangyang Liu, Yidian Li, Hengxin Tan, Yi Liu, Kuanglv Sun, Ying Shi, Yuxin Zhai, Hao Lin, Guanghan Cao, Xianhui Chen, Tao Wu, Binghai Yan, Guang-Ming Zhang, Luyi Yang

专题命中 材料化学 ：研究Kagome金属中电荷密度波与交织秩序

AI总结 研究通过超快光学技术揭示CsCr3Sb5中的电荷密度波相变，并发现三态Potts型各向异性秩序，揭示多轨道平带退简并现象。

Journal ref National Science Review 16, nwag044 (2026)

On-surface dehydrogenative lateral homo-coupling and aromatization of n-octane on Pt(111)

正辛烷在Pt(111)上的表面脱氢横向自偶联与芳构化

D. Arribas, E. Tosi, V. Villalobos-Vilda, B. Cirera, I. Palacio, A. Sáez-Coronado, P. Lacovig, A. Baraldi, L. Bignardi, S. Lizzit, C. Sanchez-Sanchez, A. Gutiérrez, J. A. Martín-Gago, M. Garnica, J. I. Martínez, P. L. de Andres, P. Merino

专题命中 材料化学 ：表面催化芳构化与偶联反应

AI总结 利用扫描隧道显微镜和第一性原理计算，研究了正辛烷在Pt(111)表面热诱导芳构化及分子间脱氢偶联反应，揭示了环芳构化和拉链式C-C键形成机制。

Comments 24 pages, 1 scheme, 3 figures

Can DFT-trained neural network potentials reproduce structure, solvation, and water-exchange properties in aqueous magnesium solutions?

DFT训练的神经网络势能否重现镁水溶液中的结构、溶剂化和水交换性质？

Sebastian Falkner, Pablo Montero de Hijes, Christoph Dellago, Nadine Schwierz

专题命中 材料化学 ：神经网络势模拟镁溶液，材料化学

AI总结 开发并系统评估基于revPBE-D3/zd和revPBE0-D3/zd数据的MACE神经网络势，发现其能准确再现水合结构、扩散和交换动力学，但溶剂化自由能显著低估实验值，表明需显式长程静电处理。

Polymer-polymer interdiffusion: effects of entanglements and a polymeric source

聚合物-聚合物相互扩散：缠结和聚合物源的影响

Avraham Moriel, Howard A. Stone

专题命中 材料化学 ：聚合物相互扩散研究，属于软物质物理

AI总结 利用双流体模型研究缠结和非缠结聚合物在有无源条件下的相互扩散，推导标度关系和自相似解，并通过数值模拟验证，揭示源项对扩散前沿特征的影响。

Comments 11 pages, 7 figures