基于机器学习的原子间势函数已经在原子级材料建模领域产生了巨大的影响,但是这些势函数的质量和数量对应的量子力学参考数据至关重要,因此开发数据集和训练流程成为一个日益重要的挑战。我们在这篇论文中展示了利用合成的原子级数据作为神经网络原子间势函数的预训练任务是有益的。经过大规模的合成数据集的预训练后,这些模型可以在更小的量子力学数据集上进行微调,提高计算实践中的数值精度和稳定性。我们通过一系列与碳相关的等变图神经网络势函数进行可行性验证,并进行了初步实验来测试该方法的局限性。
Jul, 2023
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
本文探讨了使用知识蒸馏加速分子图神经网络的实用性,研究结果显示可以无需改变体系结构就能提高预测准确性达到近 60%。
Jun, 2023
该论文介绍了 PhysNet,这是一种设计用于预测化学系统能量、力和偶极矩的深度神经网络,能在化学反应、长程相互作用和凝聚相系统中表现出卓越的性能;研究发现,在能量预测中明确地包含静电作用对于 PES 的渐近区域进行正确描述至关重要,并且 PhysNet 模型能够推广到更大的蛋白质,如二聚体 10 - 丙氨酸。
Feb, 2019
金属自旋玻璃体系的动力学模拟中,利用可扩展的机器学习框架通过预测驱动自旋动力学的电子诱导的局部磁场,发展了一种根据局部磁性环境进行磁性描述的神经网络模型,该模型具有很高的精确性和高效性,并应用于具有淬灭随机性质的杂乱非晶常规 s-d 模型的弛豫动力学研究,展示了机器学习模型在大规模动力学建模中对游离磁体的有希望的潜力。
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
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
本论文利用欧氏神经网络,输入仅为原子种类和位置,直接预测晶体固体中的声子态密度。通过该方法,可以高效地探索材料的声子结构,并能进一步快速筛选出高性能的热储存材料和声子介导超导体。
Sep, 2020
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
本文利用晶体图神经网络(CGNN)预测水晶的属性,通过对原子、结合和整体状态特征的编码,在 DFT 的级别上实现预测的正确性,从而在合金探索中找到有前途的路径。