PulseAugur
中
实时 09:48:21
English(EN) Design Space of Self--Consistent Electrostatic Machine Learning Interatomic Potentials

新框架改进了静电相互作用的MLIP

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个新的机器学习原子间势（MLIP）框架，该框架能更好地处理静电效应。该框架将现有模型视为密度泛函理论（DFT）的粗粒化近似，阐明了学习量的假设和物理意义。研究团队使用MACE架构在此设计空间内实现了并比较了各种模型，并在金属-水界面和二氧化硅中的带电空位上评估了它们的性能。他们的发现表明，当前的MLIP存在局限性，需要更具表现力的自洽模型来解决模拟具有显著静电相互作用的系统中的失败问题。 AI

影响 这项研究可能导致对具有显著静电相互作用的材料进行更准确的模拟，从而影响材料科学和化学等领域。

排序理由 该集群包含一篇学术论文，详细介绍了机器学习原子间势的新框架和方法论。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新框架改进了静电相互作用的MLIP

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · William J. Baldwin, Ilyes Batatia, Martin Vondr\'ak, Johannes T. Margraf, G\'abor Cs\'anyi ·

    自洽静电机器学习原子间势能的设计空间

    arXiv:2603.14700v2 Announce Type: replace-cross Abstract: Machine learning interatomic potentials (MLIPs) have become widely used tools in atomistic simulations. For much of the history of this field, the most commonly employed architectures were based on short-ranged atomic ener…

相关实体

相关话题