研究人员开发了新的方法来提高材料建模的机器学习原子间势（MLIPs）的准确性和可扩展性。一种方法DPA4C-LR将长程静电力和Born有效电荷分析性地分离到全局计算中，同时保留局部MLIP特性，能够模拟多达520万个原子。另一种方法将何时使用昂贵的从头算（如DFT）与更便宜的MLIPs的决策，构建为一个使用共形风险控制框架的风险可控选择问题，旨在将MLIP误差保持在用户定义的阈值以下。 AI
影响 这些进展可以通过提高MLIPs的效率和可靠性，减少对计算成本高昂的从头算方法的依赖，从而加速材料发现和模拟。
排序理由 该集群包含两篇详细介绍机器学习原子间势新方法的学术论文。
在 Hugging Face Daily Papers 阅读 →
- Atom-centered symmetry functions for constructing high-dimensional neural network potentials
- Conformal Risk Control
- density functional theory
- Hugging Face
- Smooth Overlap of Atomic Positions
- arXiv
- Diamond
- DPA4C-LR
- Li_{0.9}NbO_{0.9}Cl_{4.1}
- nvalchemi
- Pb(Mg_{1/3}Nb_{2/3})O3
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
