Machine Learning Interatomic Potentials
PulseAugur coverage of Machine Learning Interatomic Potentials — every cluster mentioning Machine Learning Interatomic Potentials across labs, papers, and developer communities, ranked by signal.
-
新框架改进了静电相互作用的MLIP
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。
-
新的微调方法通过稀疏性增强材料基础模型
研究人员开发了一种新颖的微调方法，用于 E(3)-等变材料基础模型，该模型用于近似势能面。这种促进稀疏性的技术选择性地更新一小部分模型参数，在能量和力预测任务上实现了与完全微调相当或更好的性能。该方法在磁矩预测等专业应用中也显示出有效性，并提供对模型行为的可解释见解，例如突出过渡金属系统中 d 轨道的贡献。
-
新的MLIP方法提高了准确性并实现了研究自动化
研究人员正在开发先进的机器学习原子间势能（MLIPs），以改进原子模拟。像Stein Kernelized Molecular Dynamics (SKMD)这样的新方法增强了主动学习的数据采集，从而以更少的迭代次数获得更准确的模型。其他工作探索了MLIPs的笛卡尔张量框架，并引入了像Bond Smoothness Characterization Test (BSCT)这样的新基准，以识别和纠正模型架构中的物理不准确性。此外，LLM…
-
专家混合框架加速原子模拟
研究人员开发了一种新的机器学习互原子势（MLIPs）专家混合（MoE）框架，以加速原子模拟。该方法将模拟域划分为化学复杂度不同的区域，为每个区域分配不同的模型容量。一种联合训练策略确保了域接口处模型之间的一致性，防止了人工应力场。该框架在铂-一氧化碳系统上得到了验证，表明它可以在保持预测精度和能量守恒的同时，将计算速度提高一倍。