Apr, 2023

利用机器学习交互势函数精确预测大尺度下锂金属表面和有限温度体性质

PDF
TL;DR使用机器学习相互作用势 (M-LIP) 对密度泛函理论 (DFT) 数据进行预测，以实现对热力学性质、表面性质等多个方面的准确预测。研究部分关注锂金属电池和电解液的问题。
lithium metalbatteriesmachine learning interaction potentialsthermodynamic propertiessurface properties
发现论文，激发创造
  • 准确的机器学习力场通过实验和模拟数据融合

    基于机器学习的势场吸引着越来越多的关注，因为它们能够以量子级准确度跨越经典间原子势场的时空尺度。本研究利用密度泛函理论计算和实验测量的力学性能及晶格参数来训练钛的机器学习势能模型，证明了融合数据学习策略能够同时满足所有目标要求，从而获得比单一数据来源训练的模型更高准确性的分子模型。该方法适用于任何材料，可作为获取高度精确机器学习势能的通用策略。

    Aug, 2023

  • 为硅开发通用的原子间位能机器学习模型

    本文提出了一种使用基于机器学习思想的高斯近似势的方法，成功地对硅材料进行了量子力学计算，从而在材料领域实现了第一性原理电子结构计算与机器学习的结合。

    May, 2018

  • 机器学习原子间势能中的插值和微分化学自由度

    利用连续和可微调的化学自由度在原子材料模拟中引入了化学元素和相应的权重，并对 MLIP 的消息传递和读取机制进行了修改，实现了材料组成状态之间的平滑插值，为优化固溶体组成、进行化学自由能模拟以及表征复杂材料系统的相稳定性提供了新途径。

    Apr, 2024

  • 加速无机表面的机器学习预测与原子间势

    固态材料的表面性质对其功能起着重要作用，表面性质是由材料合成或操作条件决定的，计算表面科学方法和机器学习算法在研究复杂的纳米尺度的无机表面具有很大的潜力。

    Dec, 2023

  • 基于人工神经网络的石墨烯可靠机器学习势

    本文介绍了一种基于神经网络的分子动力学模拟与机器学习结合的方法，用于准确计算和预测石墨烯的热力学性质和力学性能，从而可用于石墨烯材料的设计。

    Jun, 2023

  • 机器学习加速的模拟使得无启发式表面重建成为可能

    使用机器学习插值位能函数和 Markov-chain Monte Carlo 采样方法，加快了多组分材料表面相图预测中的能量和统计抽样方法，可模拟复杂的材料表面并发现以前未报告的表面终止。

    May, 2023

  • 多尺度学习原子间势

    用于分子动力学模拟的多时间步积分器的机器学习插值势具有比传统势能更广泛的适用性，通过联合训练两种机器学习插值势进行尺度分离可以实现显著的加速和无损的精度。

    Oct, 2023

  • 如何为机器学习表示晶体结构：实现电子性能的快速预测

    本文提出了一种机器学习方法，以快速预测固体材料的性质，通过使用对称可扩展的晶体结构表示法，实现高精度的学习和预测，主要关注预测金属或绝缘体行为以及费米能级处的电子状态密度的值。

    Jul, 2013

  • 利用深度神经网络加速有限温度 Kohn-Sham 密度泛函理论

    本研究提出了一种新的基于机器学习的数值模拟工作流，通过深度神经网络构建局部态密度来计算一系列相关量，包括可用作原子的 Born-Oppenheimer 势能面的总自由能，从而实现了在计算速度和规模上远超传统方法的多尺度材料建模。

    Oct, 2020

  • 应用自动微分求解压力和热通量

    该研究使用机器学习潜力提供的 Born-Oppenheimer 势能表面来预测锡硒化物的粘聚性和热导率，其复杂的功能形式依赖于自动微分，并且使用了一种统一的自动微分方法来获得自动微分梯度，包括力，应力和热通量。

    May, 2023