(纯计算)首尔国立大学J. Am. Chem. Soc.: 通过数据高效的多保真训练方法来构建高保真的机器学习原子间势

文章预览

2024年12月17日，J. Am. Chem. Soc.在线发表了首尔国立大学 Seungwu Han 课题组的研究论文，题目为《 Data-Efficient Multifidelity Training for High-Fidelity Machine Learning Interatomic Potentials 》。 最近，机器学习（ML）已经成为解决材料科学中各种挑战的强大工具。 特别是在计算材料科学中， 机器学习 已被有效地用作从头 算的替代模型，在显著降低计算成本的情况下实现了接近量子力学的精度。 然而，创建具有精确从头 算的高 保真 训练数据库在计算上要求很高。 机器学习原子间势 （MLIPs）用于从头 算估计势能面（PES），在降低计算成本的同时提供接近量子水平的精度。 然而，组装高保真数据库的高成本阻碍了 MLIP 在需要高化学精度体系中的应用。 在此研究中，作者 利用等变图神经网络提出了一种MLIP框架，可以同时在 多保真 数据库上进行训练 。这种方法能够 以 ………………………………