.png){kind=icon}
返回
Universal machine learning potentials under pressure
.png){kind=icon}
OA
AI
DOI：10.1088/2515-7639/ae2ba8.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
通用机器学习原子间势能（uMLIPs）无疑是机器学习在材料科学中最成功的应用之一，其在各种应用中展现出卓越的性能。然而，其可靠性方面仍存在关键盲点。在此，我们通过系统性地研究uMLIPs在0至150 GPa极端压力条件下的准确性，解决了其中一项重要差距。我们的基准测试显示，尽管这些模型在标准压力下表现优异，但随着压力的增加，其预测精度显著下降。这种性能下降源于训练数据的基本局限性，而非算法约束。事实上，我们证明通过对高压构型进行针对性微调，可以轻松提高模型的鲁棒性。这些发现强调了在开发下一代真正通用的原子间势能时，识别和解决被忽视领域的重要性。
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
J
IF:
0
论文数:
42
被引数:
0
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Atomistic Line Graph Neural Network for improved materials property predictions用于改进材料性能预测的原子线图神经网络OAAI
OAAI分享收藏Machine Learning and Energy Minimization Approaches for Crystal Structure Predictions: A Review and New Horizons用于晶体结构预测的机器学习和能量最小化方法: 回顾和新视野
PREAI
分享收藏Quartzlike Carbon Dioxide: An Optically Nonlinear Extended Solid at High Pressures and TemperaturesScience
ScienceIF0
PREAI
分享收藏DeePMD-kit: A deep learning package for many-body potential energy representation and molecular dynamicsDeepmd-kit: 用于多体势能表示和分子动力学的深度学习软件包OAAI
OAAI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Graph Atomic Cluster Expansion for Semilocal Interactions beyond Equivariant Message Passing超越等变消息传递的半位置相互作用的图原子簇扩展PHYSICAL REVIEW XOAAI
PHYSICAL REVIEW XIF15.7
OAAI分享收藏
查看更多内容