.png){kind=icon}
返回
Benchmarking universal machine learning interatomic potentials on elemental systems
.png){kind=icon}
OA
AI
DOI：10.1038/s41524-026-02251-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
通用机器学习原子间势（uMLIPs）的迅速兴起已改变了材料建模领域。然而，对其在构型空间中的泛化行为进行全面理解仍是一项开放性挑战。在本工作中，我们引入了一个基准测试框架，用于评估当前最先进的uMLIPs在平衡态和远离平衡态的性能，包括两种基于MACE的模型、两种基于PET的模型、MatterSim以及一个仅使用元素数据训练的自定义MACE模型。我们的评估利用状态方程（EOS）测试来评估近平衡性质，如平衡体积和体模量，并结合广泛的极小值跳跃（MH）结构搜索来探测势能面（PES）。在此，我们评估了元素体系基本极限内的普适性，这些体系作为更广泛化学泛化的必要基准，并提供了一个可系统扩展到多组分材料的框架。我们发现，虽然大多数模型在再现过渡金属的平衡体积时表现出高精度，但在碱金属和碱土金属组以及反应性非金属中出现了显著性能差距。关键的是，我们的MH结果揭示了搜索效率与结构保真度之间的脱耦，表明更平滑的学得PES并不一定会产生更精确的能量景观。
期刊
IF:
11.9
论文数:
2.4K
被引数:
1.7W
机构
引用论文
E(3)-equivariant graph neural networks for data-efficient and accurate interatomic potentialsE(3)-等变图神经网络，用于数据高效和精确的原子间势.png)
NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏An automated framework for exploring and learning potential-energy surfaces用于探索和学习势能面的自动化框架Nature CommunicationsOAAI
Nature CommunicationsIF15.7
OAAI分享收藏Performing highly efficient Minima Hopping structure predictions using the Atomic Simulation Environment (ASE)SoftwareXOAAI
SoftwareXIF0
OAAI分享收藏分享收藏Moment Tensor Potentials: A Class of Systematically Improvable Interatomic Potentials力矩张量势：一类可系统性改进的原子间势函数OAAI
OAAI分享收藏Accurate and efficient machine learning interatomic potentials for finite temperature modelling of molecular crystals准确高效用于分子晶体有限温度建模的机器学习原子间势能CHEMICAL SCIENCEOAAI
CHEMICAL SCIENCEIF7.4
OAAI分享收藏CHGNet as a pretrained universal neural network potential for charge-informed atomistic modellingCHGNet作为预训练的通用神经网络，具有用于电荷信息原子建模的潜力OAAI
OAAI分享收藏
查看更多内容