Feb, 2024

基于笛卡尔原子团簇展开的机器学习金属间势能

PDF
TL;DR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。
发现论文，激发创造
  • 用于等变信息传递的高阶不可约笛卡尔张量

    通过整合基于高阶不可约笛卡儿张量的消息传递神经网络，论文介绍了一种新的机器学习方法，用于高效地进行原子尺度模拟，表现出与第一性原理方法相当甚至更好的性能。

    May, 2024

  • 原子团簇展开：完备性、效率和稳定性

    本文基于 Atomic Cluster Expansion 框架，通过提出一种预计算算法扩展了导出多项式基函数的方法，以在模拟原子系统的性质方面实现等变性和置换不变性。同时，作者还针对基础优化和参数估计等问题提出了一些具有挑战性的探索和研究方向，探讨了如何提高基础的收敛性和质量。

    Nov, 2019

  • 晶体物性预测的完整原子势近似有效算法

    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。

    Jun, 2023

  • E (3) 等变原子中心势在设计空间中的研究

    本文介绍了一个将 Atomic Cluster Expansion (ACE) 和 Neural Equivariant Interatomic Potentials (NequIP) 统一起来的数学框架，以及通过 NequIP 的 ablation study 对设计选项进行探究的实验，并提出了一个简化版本 BOTNet。

    May, 2022

  • 机器学习势使用的原子指纹和参考构型的自动选择

    本文介绍了一种自动选择指纹的协议，以便构建既能够在精度和计算效率之间实现最佳平衡，又能够加速高斯近似势的评估的神经网络势。其中展示了应用于水和 Al-Mg-Si 合金的神经网络势构建，并使用高斯过程回归预测小有机分子的形成能。

    Apr, 2018

  • 基于机器学习的快速和量子精确的热模拟石英型 AlN 的原子簇展开势能

    使用原子团簇展开（ACE）框架，不断发展出一种适用于快速准确建模五硝基金刚酸铝的声子传输特性的机器学习原子间势。通过对 w-AlN 的一系列性质，包括基态晶格参数、比热容、热膨胀系数、体模量和谐振声子色散等进行 ACE 势对密度泛函理论（DFT）的预测能力展示。通过将 ACE 预测值与 DFT 计算和实验进行比较，验证晶格热导率，并展示我们的 ACE 势在描述非谐振声子相互作用方面的整体能力。作为实际应用，我们使用该势进行晶格动力学分析，揭示双轴应变对 w-AlN 的热导率和声子特性的影响，这被确定为调节 w-AlN 基电子器件近接热设计的重要因素。

    Nov, 2023

  • 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

  • TensorNet：用笛卡尔张量表示法高效学习分子势

    该文章介绍了一种新的张量表示神经网络 TensorNet，其在分子系统表示中表现出了状态 - of-the-art 的性能，能有效地降低模型计算成本，并具有准确预测分子量子量的能力。

    Jun, 2023

  • 一种具有准确电静势及包含非局域电荷转移的四代高维神经网络势

    本研究介绍了第四代高维神经网络势方法，其结合了环境依赖型原子电负性和准确的原子能量，能够正确描述任意系统中的全局电荷分布，从而大大改善了现代机器学习能力的适用性，准确且广泛地应用于化学和材料科学中。

    Sep, 2020

  • 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