Jun, 2023

晶体物性预测的完整原子势近似有效算法

PDF
TL;DR本文提出了一种通过建立完整的原子间势能模型来准确地表示晶体材料中无限重复模式和远距离原子相互作用的机器学习方法，并将这种方法与消息传递神经网络结合，经实验证明在材料项目基准测试中，该方法具有稳定的性能提高和合理的计算成本。
crystal materialsmachine learning modelsinteratomic potentialsmessage passing neural networksmaterials project benchmarks
发现论文，激发创造
  • 高斯逼近势能：在无电子的情况下实现量子力学的精度

    使用量子力学计算数据生成的一类原子间势模型，不需要固定的功能形式，可以模拟复杂的势能地形，适用于大量原子计算，可大幅降低计算成本，并应用于高温下的晶体计算。

    Oct, 2009

  • 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

  • 适用于周期表的通用图深度学习原子间势能

    本文利用图神经网络，构建了一种适用于物质结构松弛、动态模拟和性质预测的万能相互作用势能模型，通过对 3100 万理论晶体结构的筛选，最终确定了大约 1578 种稳定的具有异常材料特性的合成材料。

    Feb, 2022

  • 用于机器学习模型的形成能晶体结构表示

    本文介绍和评估了一组特征向量表示晶体结构的机器学习 (ML) 模型，来预测固体的形成能。通过考虑三种方法将一个 Coulomb 矩阵推广到周期系统，则通过使用具有曼哈顿范数的拉普拉斯核的测试，对于由 Materials Project 所获得的 3938 个晶体结构的数据集进行训练。

    Mar, 2015

  • 可解释的集成学习在材料性质预测中的应用：以碳为例

    我们提出了一种基于集成学习的方法，用于预测晶体材料的形成能量和弹性常数，通过分子动力学计算的物性作为输入，集成学习结果比传统的原子势能方法更准确。

    Jul, 2023

  • C3Net: 预测异质系统物理化学性质的原子间势神经网络

    提出了用于原子类型嵌入其分子环境和基于基本物理规律的相互作用势的深度神经网络架构，应用于异质系统中预测物理化学性质并优于基于量子力学和神经网络的最新方法在溶解自由能预测任务中。

    Sep, 2023

  • 基于笛卡尔原子团簇展开的机器学习金属间势能

    机器学习原子间势场，通过 Cartesian Atomic Cluster Expansion 模型在材料科学和化学的大规模、准确的原子模拟中起到了革命性的作用。该模型采用原子簇展开和等变信息传递与球谐函数作为基函数的方式，并结合了各种化学元素的低维嵌入和原子间信息传递。结果表明，该模型 (CACE) 具有良好的准确性、稳定性和普适性，并在不同系统中进行了验证，包括大量的水、小分子和 25 种元素的高熵合金。

    Feb, 2024

  • 高斯逼近势：简要教程介绍

    本文介绍了我们最近使用的机器学习方法来拟合基于量子力学数据的原子间势，我们描述了我们的高斯近似势框架，讨论了各种描述符，如何在总能量和导数上训练模型以及同时使用多个模型，最后展示了一个使用 QUIP 的小例子，QUIP 是 GAP 的软件沙盒实现，可供非商业使用。

    Feb, 2015

  • AlphaCrystal-II：基于距离矩阵的晶体结构预测与深度学习

    AlphaCrystal-II 利用已知的晶体结构中丰富的原子间相互作用模式，预测目标晶体材料的原子距离矩阵，并利用该矩阵重构其三维晶体结构，通过全面的实验验证，展示了数据驱动方法在加速新材料的发现和设计中的潜力。

    Apr, 2024

  • 矩张势：一类系统可改进的原子间势

    本文提出并分析了一种新的可系统改进的势能模型，以近似给定的量子力学相互作用模型，用于计算大规模分子系统的材料特性。

    Dec, 2015