跳到主要内容
检索

# 机器学习原子间势

3 篇关联报道

订阅更新
  1. arXiv

    MACE基础模型补上钠团簇:定向微调把硬碳钠团簇形成能误差从32.43降到1.65 meV/atom

    预训练的MACE原子基础模型能描述钠在类石墨结构中的嵌入,却把石墨烯上钠原子间的金属性吸引算成排斥,因而漏掉硬碳中钠团簇与孔隙填充。研究者用1985个钠团簇构型加300个膨胀石墨与钠参考态构型做定向微调,使钠团簇数据上的形成能平均绝对误差从32.43降到1.65 meV/atom,R²从-36.32升到0.87。在更广的钠碳构型库上微调后,模型对未参与训练的钠填充碳纳米管仍给出2.03 meV/atom的形成能误差,并据此给出闭孔半径与平台电压的对应关系。

  2. arXiv

    磁性神经演化势把磁矩写进势能面:单块消费级GPU跑通两百多万原子的自旋—晶格动力学

    磁性神经演化势把磁矩与原子位置一起作为输入,使同一原子结构下的不同磁序不再共用一个能量面。在CrN、Fe和FeGe上,它与不含磁性描述符的标准神经演化势用同一数据集、同样迭代次数训练,能量均方根误差最多降低约一个数量级。Fe的自旋—晶格耦合模拟给出约1000 K的磁转变温度,接近实验居里温度1043 K;单块消费级GPU可完成两百多万原子的耦合动力学模拟。

  3. arXiv

    面向带电点缺陷的多保真度机器学习原子间势

    该工作以半导体Sb2Se3中的空位为案例,发现当前基于体相数据训练的机器学习原子间势无法可靠识别缺陷基态结构,进而提出在MACE架构中引入全局缺陷电荷嵌入,并结合低保真(PBE)与高保真(HSE06)数据的多保真度训练策略,使模型在固定缺陷超胞尺寸下将基态结构识别精度提升至0.05 Å以内、缺陷形成能与热力学跃迁能级与杂化泛函DFT吻合到0.02 eV以内,并发现标准缺陷搜索流程遗漏的全局极小值。

已读完全部报道