.png){kind=icon}
返回
Cartesian atomic moment machine learning interatomic potentials
.png){kind=icon}
OA
AI
DOI：10.1038/s41524-025-01623-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习原子间势（MLIPs）通过平衡精度和计算效率，显著推动了材料科学和化学中的原子模拟。尽管领先的MLIPs依赖于使用球谐张量表示原子环境，但笛卡尔表示在简单性和效率方面具有潜在优势。本文引入了笛卡尔原子矩势（CAMP），一种完全在笛卡尔空间中构建MLIPs的方法。CAMP通过邻接原子构造原子矩张量，并采用张量积来整合高阶体相互作用，从而提供对局部原子环境的完整描述。集成到图神经网络（GNN）框架中后，CAMP能够实现具有物理基础且可系统改进的势函数。该模型在包括周期性结构、小有机分子和二维材料在内的多种体系中表现出优异性能，在分子动力学模拟中达到了与当前领先模型相当或更优的精度、效率和稳定性。CAMP为原子模拟提供了一种强大工具，以加速材料理解和发现。
Keyword:
WATER
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SpookyNet: Learning force fields with electronic degrees of freedom and nonlocal effectsSpookyNet: 学习具有电子自由度和非局部效应的力场NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Single-model uncertainty quantification in neural network potentials does not consistently outperform model ensembles神经网络潜力中的单模型不确定性量化并不总是优于模型集合OAAI
OAAI分享收藏LTAU-FF: Loss Trajectory Analysis for Uncertainty in atomistic Force FieldsLtau-ff: 原子力场中不确定性的损失轨迹分析OAAI
OAAI分享收藏Physically Motivated Recursively Embedded Atom Neural Networks: Incorporating Local Completeness and Nonlocality物理激励的递归嵌入式原子神经网络: 结合局部完整性和非局部性OAAI
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