关键词machine learning interatomic potentials
搜索结果 - 7
- 通过微调克服普适机器学习多原子势能中的系统软化
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 - 机器学习原子间势能中的插值和微分化学自由度
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。
- 基于笛卡尔原子团簇展开的机器学习金属间势能
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 - 结构和构象多样性在机器学习势能中的作用
在机器学习的原子间势（MLIPs）领域中，研究数据偏差、特别是构象和结构多样性与模型泛化之间的复杂关系对于改善量子力学（QM）数据生成的质量至关重要。我们通过两个不同的实验来研究这些动态：一个是固定预算的实验，其中数据集大小保持恒定；另一个 - 多尺度学习原子间势
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。
- 基于样条的神经网络原子势函数：融合经典和机器学习模型
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 - 机器学习加速的模拟使得无启发式表面重建成为可能
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。