.png){kind=icon}
返回
Data-efficient construction of high-fidelity graph deep learning interatomic potentials
.png){kind=icon}
OA
AI
DOI：10.1038/s41524-025-01550-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习势函数（MLPs）已成为大规模原子模拟中不可或缺的工具。然而，目前大多数MLPs是基于使用相对廉价的密度泛函理论（DFT）方法（如Perdew-Burke-Ernzerhof（PBE）广义梯度近似（GGA）泛函）计算得到的数据进行训练的。尽管meta-GGA泛函（如强约束且规范适当的（SCAN）泛函）已被证明能显著改善对多样化键合系统的原子相互作用的描述，但其较高的计算成本仍然是阻碍其在MLP开发中应用的因素。在本工作中，我们概述了一种高效的数据多保真度方法，用于构建Materials 3-body Graph Network（M3GNet）原子间势函数，该方法在单一模型中整合了不同理论层次。以硅和水为例，我们表明，一个基于低保真度GGA计算和高保真度SCAN计算（10%）组合数据集训练的多保真度M3GNet模型，可以达到与仅使用是SCAN计算数据集8倍数量的单保真度M3GNet模型相当的精度。这项工作通过利用现有的低保真度数据集，为以成本效益方式开发高保真度MLPs提供了一条途径。
Keyword:
ALGORITHMS
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Fast interpolation-based t-SNE for improved visualization of single-cell RNA-seq data基于快速插值的t-sne可改善单细胞rna-seq数据的可视化NATURE METHODSOAAI
NATURE METHODSIF32.1
OAAI分享收藏Accurate Fourth-Generation Machine Learning Potentials by Electrostatic Embedding通过静电嵌入实现精确的第四代机器学习潜力OAAI
OAAI分享收藏Transfer learning for chemically accurate interatomic neural network potentials用于化学精确的原子间神经网络电势的迁移学习OAAI
OAAI分享收藏Approaching coupled cluster accuracy with a general-purpose neural network potential through transfer learning通过迁移学习接近具有通用神经网络潜力的耦合聚类精度NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Multi-fidelity prediction of molecular optical peaks with deep learning基于深度学习的分子光峰多保真度预测CHEMICAL SCIENCEOAAI
CHEMICAL SCIENCEIF7.4
OAAI分享收藏
查看更多内容