.png){kind=icon}
返回
LAMBench: a benchmark for large atomistic models
.png){kind=icon}
OA
AI
DOI：10.1038/s41524-025-01929-3.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
原子尺度模型（LAMs）近期取得了显著进展，已成为由原子系统第一性原理计算定义的势能面的通用或基础性表示。然而，我们对于这些模型实现真正通用性的程度及其不同模型间的比较性能仍有限制。这一差距主要源于缺乏能够评估LAMs作为通用势能面近似有效性的全面基准测试。本研究中，我们引入了LAMBench，一个旨在从泛化性、适应性和适用性角度评估LAMs的基准测试系统。这些属性对于将LAMs部署为跨多样化科学发现场景的即用型工具至关重要。我们使用LAMBench对截至2025年8月1日发布的十种前沿LAMs进行了基准测试。研究发现，当前LAMs与理想的通用势能面之间存在显著差距，同时突显了整合跨领域训练数据、支持多保真度建模以及确保模型保守性和可微性的必要性。作为动态且可扩展的平台，LAMBench旨在持续演进，从而推动开发能够显著促进科学研究的稳健且泛化的LAMs。LAMBench代码已开源至https://github.com/deepmodeling/lambench，交互式排行榜可访问https://www.aissquare.com/openlam?tab=Benchmark。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
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 COMMUNICATIONSOAAI
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Effect of the Damping Function in Dispersion Corrected Density Functional Theory色散校正密度泛函理论中阻尼函数的影响
PREAI
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A consistent and accurate ab initio parametrization of density functional dispersion correction (DFT-D) for the 94 elements H-Pu94元素h-pu的密度泛函色散校正 (dft-d) 的一致且精确的从头算参数化
PREAI
分享收藏
查看更多内容