图神经网络力场在预测固态性质中的泛化能力
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。
Jun, 2023
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
通过构建分子结构的图表示并利用图神经网络(GNN)作为元模型,EL-MLFFs有效地捕捉了原子间相互作用并优化了力预测,实验证明EL-MLFFs相对于独立的MLFFs显著提高了力预测准确性,最佳性能由所有八个模型组合得出。此外,剩余网络和图注意力层在模型的架构中起到了关键作用,EL-MLFFs框架为MLFF的模型选择和力预测准确性的挑战提供了一个有前景的解决方案,为更可靠高效的分子模拟铺平了道路。
Mar, 2024
BAMBOO是一个新颖的分子动力学(MD)模拟框架,通过物理启发的图等变换器架构,集成知识蒸馏方法和密度对齐算法,实现了在锂电池液体电解质中准确预测密度、粘度和离子传导性等关键电解质性质的水平。
Apr, 2024
基于HydraGNN的可扩展图基础模型(GFM)的开发和训练,具有高度的训练规模和数据多样性,以及并行训练算法的创新;我们使用超级计算资源展示了多个优化策略和性能,开发出适用于材料发现和设计的AI加速的GFM模型。
Jun, 2024
本研究解决了生物物理学家对既准确又快速的力场的需求,探讨了机器学习力场(MLFFs)在速度与准确性之间的权衡。文章指出,当前MLFF模型的速度问题限制了其广泛应用,尽管在某些化学领域中的准确性已经超过1 kcal/mol的阈值。作者希望通过审视力场的发展方向,推动更快速的MLFF设计创新。
Sep, 2024
本研究针对现有晶体性质预测方法对手工特征表示的依赖问题,提出了一个名为CrysAtom的无监督框架,利用未标记的晶体数据生成原子的稠密向量表示。这一新方法显著提升了基于图神经网络的性质预测模型的性能,展现了对化学性质的有效嵌入能力。
Sep, 2024
本研究解决了机器学习原子势能(MLIPs)中训练数据生成优化的挑战,特别是在数据多样性对模型性能影响的研究中。通过分析超快速力场(UF$^3$)在建模非晶氮化硅中的表现,发现既不足又过度的数据多样性都会降低模型的模拟精度,提出了根据特定应用优化训练数据的重要性。
Sep, 2024