.png){kind=icon}
返回
Cross-functional transferability in foundation machine learning interatomic potentials
.png){kind=icon}
OA
AI
DOI：10.1038/s41524-025-01796-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习中的基函数势（FPs）的快速发展表明了学习通用势能曲面的可能性。通过将模型从低保真度数据集迁移到高保真度数据集，可以进一步提高FPs的精度。在本工作中，我们分析了在CHGNet框架内这一迁移学习（TL）问题的挑战。我们表明，显著的能量尺度偏移以及GGA与r2SCAN之间的不良相关性阻碍了跨功能迁移能力。通过对MP-r2SCAN数据集上不同的TL方法进行基准测试，我们证明了在FPs的TL中元素能量参考的重要性。通过比较有无低保真度数据集预训练的缩放律，我们表明，即使针对低于百万结构的靶数据集，TL仍能实现显著的数据效率。我们强调了适当的TL和多保真度学习在基于高保真度数据构建下一代FPs中的重要性。
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Data-Efficient Multifidelity Training for High-Fidelity Machine Learning Interatomic Potentials高保真机器学习原子间势的数据高效多保真度训练
PREAI
分享收藏Linear response approach to the calculation of the effective interaction parameters in the LDA+U method在LDA U方法中计算有效相互作用参数的线性响应方法PHYSICAL REVIEW BOAAI
PHYSICAL REVIEW BIF3.7
OAAI分享收藏Learning together: Towards foundation models for machine learning interatomic potentials with meta-learning共同学习: 通过元学习建立机器学习的原子间势的基础模型OAAI
OAAI分享收藏Rationalizing accurate structure prediction in the meta-GGA SCAN functional在meta-gga扫描功能中合理化准确的结构预测PHYSICAL REVIEW BOAAI
PHYSICAL REVIEW BIF3.7
OAAI分享收藏Testing the r2SCAN Density Functional for the Thermodynamic Stability of Solids with and without a van der Waals Correction br测试具有和不具有范德华校正的固体热力学稳定性的r2SCAN密度泛函bracs nanoscience auOAAI
acs nanoscience auIF6.5
OAAI分享收藏Point defect properties in hcp and bcc Zr with trace solute Nb revealed by ab initio calculations
PREAI
分享收藏
查看更多内容