通过机器学习和动力学蒙特卡洛方法的结合，在 Fe-Ni 合金中研究了滞后和化学偏差的间隙扩散，并提出了一种便捷的 AvgS-kMC 方法来确定间隙介导的扩散性能，强调了迁移模式的关键作用。

Nov, 2023

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

通过使用四个机器学习力场模型针对镍钛（NiTi）合金的分子动力学模拟，我们发现 LDA、PBE、PBEsol 和 SCAN DFT 功能密度理论的模型仅 SCAN 模型能够预测可逆的 B19' -> B2 相变，而其他模型则预测了一个以前未被表征过的低体积相，该相可能是一种新的高压稳定相。我们对该新相的结构进行了研究，并估计了在温度 - 压力相图上的稳定性。 这项研究旨在建立一种用于研究位移转变的自动化主动学习协议，揭示了在大规模模拟中仅能在不同 DFT 功能密度理论之间进行观察到的重要差异，为 NiTi 建立了准确的力场，并发现了一种新相。

Jan, 2024

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

本文通过声子波包模拟研究发现了非晶相内层可以显著地阻碍界面传热，而高频声子能够部分通过该内层，从而引入了附加的热传输通道，该内层的厚度增加会导致界面热阻的增加。通过优化界面形貌，可以减小内层带来的热阻。

Jun, 2023

基于深度学习的生成模型和密度泛函理论，我们通过学习和利用显式和隐式化学知识，提出了一种材料组成和结构设计的方法。通过深度扩散语言模型生成组合，并应用基于模板的晶体结构预测算法预测相应的结构，然后使用基于通用图神经网络的势函数进行结构弛豫。通过密度泛函理论的计算和能量分析验证了我们的方法，并发现了六种新的具有负能量生成焓的材料，证明了我们方法的有效性。

Sep, 2023

我们提出了一种可扩展的机器学习力场模型，用于合作简 - 泰勒 (JT) 系统的绝热动力学。在 JT 模型的大规模动力学模拟中，我们也揭示了巨磁电阻锰酸盐中轨道有序动力学的一些启示。这些材料中的 JT 效应描述了由与 $e_g$ 电子轨道自由度耦合驱动的局域氧八面体变形。局域 JT 模式之间的有效电子介导相互作用导致结构转变和低温下长程轨道有序的出现。基于局部性原理，我们开发了一个深度学习神经网络模型，准确高效地预测驱动 JT 声子动力学演化的电子诱导力。我们采用群论方法开发了一个描述符，将轨道对称性和晶体格子对称性结合到机器学习模型中。利用机器学习力场模型，进行了大规模 Langevin 动力学模拟，研究了热淬后复合 JT 畸变和轨道有序的粗化动力学。轨道域的后期粗化展示出明显的冻结行为，这可能与域结构的异常形态有关。我们的工作为相关电子系统的多尺度动力学建模提供了一个有希望的途径。

May, 2024

通过对扩散模型进行调查，我们希望能更好地理解它们的预测与基于物理计算的结果之间的比较，以利用机器学习来显著加速电子结构计算，而无需昂贵的原理数据集进行训练。我们发现一种流行的扩散模型用于全新分子生成的推理过程可以分为探索阶段和弛豫阶段，其中模型选择原子种类的同时调整原子坐标以找到低能几何形状。随着训练的进行，我们发现该模型最初学习的是位能曲面的一阶结构，然后逐渐学习高阶结构。我们还发现扩散模型的弛豫阶段可以用于对构象进行玻尔兹曼分布采样，并进行结构弛豫。对于结构弛豫，该模型对小型有机分子的能量较经典力场产生的结构低约 10 倍。在密度泛函理论 (DFT) 弛豫中，从扩散生成的结构开始与从经典力场弛豫的结构开始相比，可以使 DFT 弛豫速度提高超过 2 倍。

Nov, 2023

使用计算材料学与信息学工具构建了大量的稳定性地图来研究金属氮化物中的新化学空间，发现了大量具有实验探索前景的新型满足三元化学结构的金属氮化物。

Sep, 2018

该研究提供了关于分子液体在热平衡状态下的玻璃转变、无序材料的空间异质性和老化动力学以及软玻璃材料的流变学的理论视角，重点介绍了计算机模拟在研究靠近分子水平玻璃转变系统的动力学中发挥的重要作用，并对空间异质性动力学、玻璃转变理论、老化动力学和软玻璃材料流变学等主题的理论进展进行了全面的评述。

Nov, 2010