.png){kind=icon}
返回
Pushing charge equilibration-based machine learning potentials to their limits
.png){kind=icon}
OA
AI
DOI：10.1038/s41524-025-01791-3.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习（ML）已在原子级模拟中展现出潜力，能够弥合精确的第一性原理方法与计算高效的经验势之间的差距。这是通过学习系统结构与物理性质之间的映射关系实现的。用于势能面的最先进模型通常通过（半）局域原子环境表示化学结构。然而，这种方法忽略了长程相互作用（尤其是静电作用）和非局域现象（如电荷转移），导致在描述极性各向异性环境中的分子或材料时产生显著误差。为解决这些挑战，目前流行的机器学习框架使用电荷均衡（QEq）方法预测原子系统中的自洽电荷分布。在该方法中，原子电荷由包含环境依赖性原子电负性的静电能表达式导出。在此，我们以先前报道的核电荷均衡（kQEq）方法为例，结合局部短程势，探索了该概念的局限性。为此，我们考虑了具有不同总电荷状态和施加电场的原型系统。我们发现，基于电荷均衡的模型在大多数情况下表现良好。然而，我们也发现，常规QEq的一些缺陷以虚假电荷转移和静态电场存在下的过度极化的形式转移到机器学习变体中。这表明需要新的方法论发展。
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Machine learning the electric field response of condensed phase systems using perturbed neural network potentialsNATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏分享收藏分享收藏
查看更多内容