在这项研究中，我们发现普遍的机器学习相互原子势（MLIPs）存在潜在的能量面（PES）软化效应，该效应可以通过微调一个额外数据点来有效解决，这表明一部分 uMLIP 的错误是高度系统化的，可以高效地修正，从而解释了基于 MLIP 的数据高效微调改善的普遍观察。我们提出了对下一代基础 MLIPs 的全面材料数据集的重要性。

May, 2024

该研究提出了一种物理基于势能和机器学习相结合的可转移模型，可以准确地计算小分子以及生物相关分子之间的非共价相互作用，而且在处理新分子时无需显式的事先参数化。

Oct, 2017

在这项工作中，我们引入了一种新的机器学习内原子势函数（MLIP）框架，将基于样条的 MEAM 势（s-MEAM）与神经网络（NN）架构的灵活性相结合。这种框架被称为基于样条的神经网络势（s-NNP），是传统 NNP 的简化版本，可以以计算高效的方式描述复杂的数据集。我们演示了如何使用这个框架来探索经典和 ML 内原子势函数之间的边界，并突出了关键结构变化的好处。此外，我们展示了使用样条滤波器对原子环境进行编码会产生容易解释的嵌入层，可以与 NN 的修改相结合，以纳入预期的物理行为并改善整体可解释性。最后，我们测试了样条滤波器的灵活性，观察到它们可以在多个化学系统之间共享，以提供一个方便的参考点，从而开始进行跨系统分析。

Oct, 2023

利用等变图神经网络的机器学习势能可以准确地模拟分子的能量和自由能态势，研究着重于探讨机器学习势能在考虑了分子构型的能量和多样性的情况下，准确预测自由能和转变态的能力。在对丁烷和丙二酸酰甘氨酰二肽进行 Metadynamics 模拟的基础上，我们检查了训练数据中集体变量（CVs）的分布对机器学习势能在确定系统的自由能态势上的准确性的影响。结果发现，对于丁烷，关键自由能态势区域的训练数据覆盖确保了模型的准确性，而对于丙二酸酰甘氨酰二肽，由经典分子动力学数据训练的模型明显不够准确，而基于从头算的机器学习势能在潜能能量预测上表现良好，但在自由能预测上表现不佳。本研究强调了对于准确自由能态势预测而言，组装全面的训练数据的挑战，并强调了理解自由能态势在准备训练数据时的重要性。研究指出了机器学习势能在自由能计算中的限制，强调了为有效模型训练需要涵盖系统的完整自由能态势的全面数据的必要性。

Mar, 2024

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

本论文提出了一种可训练到导数数据并能够还原准确自由能表征的可积深度神经网络模型（IDNN），它被演示用于训练二元合金的化学势值，得到的 DNN 表征的自由能在材料的相场模拟中表现良好，预测了适当形成的反相界面，相比之下，同样的数据的 B 样条曲线描绘未能以足够的精度表现系统的物理特性以解析出反相界面。

Jan, 2019

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

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

利用机器学习、生成模型和神经网络为基础的势函数，通过拓展系综分子动力学获得大范围液态和固态配置来加速势函数开发，并提升材料设计和发现的能力。

Nov, 2023

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