.png){kind=icon}
返回
CHIPS-FF: Evaluating Universal Machine Learning Force Fields for Material Properties
.png){kind=icon}
OA
AI
DOI：10.1021/acsmaterialslett.5c00093.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们介绍CHIPS-FF（基于预测模拟的计算高性能基础设施力场），这是一个用于机器学习力场（MLFF）的开源基准测试平台。该平台专注于复杂性质，包括弹性常数、声子谱、缺陷形成能、表面能以及界面和无定形相性质。利用16种基于图的MLFF，包括ALIGNN-FF、CHGNet、MatGL、MACE、SevenNet、ORB、MatterSim和OMat24，CHIPS-FF集成了Atomic Simulation Environment（ASE）与JARVIS-Tools，以促进高通量模拟。我们的框架在104种材料（包括金属、半导体和绝缘体，代表半导体器件中使用的材料）上进行了测试，每种MLFF均评估了收敛性、准确性和计算成本。此外，我们评估了这些模型在近200万个原子结构上的力预测精度。通过提供简化的、灵活的基准测试基础设施，CHIPS-FF旨在指导MLFF在真实半导体应用中的开发与部署，弥合量子力学模拟与大规模器件建模之间的差距。
期刊
IF:
8.7
论文数:
2.1K
被引数:
1.2W
机构
暂无机构信息
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Recent advances and applications of deep learning methods in materials science深度学习方法在材料科学中的最新进展与应用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Recent progress in the JARVIS infrastructure for next-generation data-driven materials designAPPLIED PHYSICS REVIEWSOAAI
APPLIED PHYSICS REVIEWSIF11.6
OAAI分享收藏Materials Design and Discovery with High-Throughput Density Functional Theory: The Open Quantum Materials Database (OQMD)高通量密度泛函理论的材料设计和发现: 开放量子材料数据库 (OQMD)JOM
JOMIF2.3
PREAI
分享收藏Commentary: The Materials Project: A materials genome approach to accelerating materials innovation评论: 材料项目: 加速材料创新的材料基因组方法APL MATERIALSOAAI
APL MATERIALSIF4.5
OAAI分享收藏
查看更多内容