Machine Learning Interatomic Potentials as Emerging Tools for Materials Science
PulseAugur coverage of Machine Learning Interatomic Potentials as Emerging Tools for Materials Science — every cluster mentioning Machine Learning Interatomic Potentials as Emerging Tools for Materials Science across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新型代理系统简化材料发现的原子模拟
研究人员开发了“El Agente Potente”，一个旨在简化材料科学原子模拟的新型代理系统。该系统将类型化执行图与编码模式相结合，允许大型语言模型管理规划和路由，而Python组件则处理计算和验证。该框架已在各种材料发现工作流程中得到演示，包括能量景观探索和催化反应模拟，并通过基准测试评估了可重复性和LLM token成本。
-
基于MLIP的新方法增强材料生成和评估
研究人员引入了一种新方法，利用预训练机器学习原子间势（MLIPs），特别是MACE的表征来生成和评估无机晶体结构。他们开发了一种粗粒度-精细度传输距离（CFTD）指标来评估生成材料的质量和新颖性，并将其与现有的SUN指标进行了比较。研究表明，这些粗粒度的MACE特征可以有效地指导材料发现的生成模型。
-
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。