.png){kind=icon}
返回
Optimizing cross-domain transfer for universal machine learning interatomic potentials
.png){kind=icon}
OA
AI
DOI：10.1038/s41467-026-70195-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确且可迁移的机器学习原子间势能对于加速材料和化学发现至关重要。然而，许多现有的通用模型过度拟合到狭窄的化学空间或计算协议，限制了其在不同化学和功能领域中的可靠性。在此，我们介绍了一种可迁移的多领域训练策略，该策略通过选择性正则化联合优化参数，并辅以一个领域桥接集，以对齐不同数据集的势能面。系统的消融实验表明，所提出的策略协同增强了跨分布泛化能力，同时保留了领域内保真度。基于我们的观察，我们在涵盖分子、晶体和表面的15个开放数据集上训练了SevenNet-Omni。我们的模型在跨领域基准测试中达到了最先进的精度，在吸附能（催化表面和金属有机框架）等不同场景中达到了化学精度。SevenNet-Omni还能通过有效迁移从更大、精度较低的数据集中学习到的知识，准确再现高保真属性。该框架提供了一条可扩展的路径，用于构建连接量子力学保真度和化学领域的通用、可迁移模型。这项工作提出了一种机器学习方法，优化了跨不同材料的原子相互作用学习。通过整合异构数据，它能够提供超出其训练域的准确且可迁移的预测。
Keyword:
Atomistic models
Computational methods
Method development
Science
Humanities and Social Sciences
multidisciplinary
期刊
IF:
15.7
论文数:
9.3W
被引数:
91.2W
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Ab initio study of solute transition-metal interactions with point defects in bcc Fe从头算研究bcc Fe中溶质过渡金属与点缺陷的相互作用PHYSICAL REVIEW BOAAI
PHYSICAL REVIEW BIF3.7
OAAI分享收藏分享收藏From Data to Discovery: Recent Trends of Machine Learning in Metal-Organic Frameworks从数据到发现: 金属有机框架中机器学习的最新趋势JACS AUOAAI
JACS AUIF8.7
OAAI分享收藏
查看更多内容