.png){kind=icon}
返回
Small-cell-based fast active learning of machine learning interatomic potentials
.png){kind=icon}
OA
AI
DOI：10.1016/j.commatsci.2025.113919.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习原子间势能（MLIPs）通常采用在线主动学习进行训练，其中从原子模拟中采样的构型被添加到训练集中。然而，这种方法受限于对大体系进行第一性原理计算的高昂计算成本。近期研究显示，在小型单元（1-8个原子）上训练的MLIPs在较低计算成本下，其精度可媲美大型单元模型（100多个原子）的精度。在此，我们将这些分别称为小型单元训练和大型单元训练。在本工作中，我们改进了早期的小型单元训练方法，并表征了我们得到的小型单元协议。研究了钾和钠-钾体系：前者为一个在细节上进行了详细基准测试的简单体系；后者为一个用于进一步验证的更复杂二元体系。我们的小型单元训练方法相比大型单元（54个原子）训练可实现两个数量级的成本节约，部分训练运行所需计算资源少于120核心小时。使用MLIPs预测的静态和热力学性质得到评估，两种体系中的小型单元训练均表现出与第一性原理结果的高度一致性。小型单元似乎能够编码建模复杂大尺度现象（如固液界面、临界指数、多种浓度等）所必需的信息，即使训练单元本身太小而无法容纳这些现象。基于这些测试，我们提供了分析和建议。
Keyword:
Machine learning interatomic potentials
Active learning
Small cell
Molecular dynamics
On-the-fly learning
Density functional theory
期刊
IF:
3.3
论文数:
1.4W
被引数:
3.6W
机构
引用论文
Deep learning inter-atomic potential model for accurate irradiation damage simulations用于精确模拟辐照损伤的深度学习原子间势模型
OAAI
OAAI分享收藏分享收藏分享收藏Interatomic potential for sodium and chlorine in both neutral and ionic states.png)
PHYSICAL REVIEW B
PHYSICAL REVIEW BIF3.7
PREAI
分享收藏Molecular-dynamics study of a three-dimensional one-component model for distortive phase transitions畸变相变的三维单分量模型的分子动力学研究
PREAI
分享收藏分享收藏
查看更多内容