.png){kind=icon}
返回
MS25: Materials Science-Focused Benchmark Data Set for Machine Learning Interatomic Potentials
.png){kind=icon}
PRE
AI
DOI：10.1021/acs.jcim.5c01262.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MS25，一个用于评估机器学习原子间势（MLIPs）的基准数据集，涵盖多种与材料相关的系统，包括MgO表面、液态水、沸石、催化Pt表面反应、高熵合金（HEAs）和有序Zr-氧化物。五种MLIP架构（MACE、NequIP、Allegro、MTP和Torch-ANI）被训练和测试，不仅关注传统指标（能量、力和应力），还明确验证了衍生的物理可观测量，如晶格常数、体积和反应势垒。我们发现，在简单系统中，大多数模型在标准误差指标上达到可比精度，尽管在结构复杂或组成无序的环境中（如HEAs和Zr–O系统），等变MLIP在能量和力误差上比非等变MLIP提供1.5–2倍的改进。我们的分析强调，能量和力预测的低误差不能保证可靠的可观测量，强调了明确验证的必要性。我们展示了跨框架可转移性的局限性，因为在一个沸石框架（CHA）上训练的模型无法可靠地泛化到结构不同的框架（如MFI）的预测中。尺寸可扩展性测试显示MgO对系统尺寸存在依赖性，这是由强制周期性引起的。HEA和Zr–O数据集被确定为未来基准测试和MLIP模型架构开发的挑战性测试，因为它们在MLIP架构之间显示出显著的误差差异，并且在1000个训练图像下仍然相对困难。展望未来，我们建议基准测试工作应将重点从能量和力误差的边际精度改进转向识别和理解模型失效模式、严格评估可转移性，以及评估其误差如何影响可观测量的预测。对于希望选择MLIP架构的研究人员，我们建议如果系统复杂性是一个挑战，则选择等变MLIP架构。对于简单材料问题，辅助功能（如与分子动力学引擎的集成）、计算数据集生成成本与MLIP推理速度之间的权衡，以及框架集成可能比生产级研究中不太重要的误差指标的小差异更重要。
Keyword:
MS25
machine learning interatomic potentials
equivariant MLIPs
transferability
physical observables
期刊
IF:
5.3
论文数:
9.1K
被引数:
4.0W
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The Open Catalyst 2022 (OC22) Dataset and Challenges for Oxide Electrocatalysts开放催化剂2022 (OC22) 数据集和氧化物电催化剂的挑战ACS CATALYSIS
OAAI
ACS CATALYSISIF13.1
OAAI分享收藏Evaluation of the MACE force field architecture: From medicinal chemistry to materials science梅斯力场结构的评估: 从药物化学到材料科学OAAI
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TorchANI: A Free and Open Source PyTorch-Based Deep Learning Implementation of the ANI Neural Network PotentialsTorchANI: 基于PyTorch的ANI神经网络潜力的免费开源深度学习实现OAAI
OAAI分享收藏分享收藏Absolute binding free energy calculations using molecular dynamics simulations with restraining potentialsBIOPHYSICAL JOURNALOAAI
BIOPHYSICAL JOURNALIF3.1
OAAI分享收藏
查看更多内容