← Nieuwste papers
🔬 materiaalkunde

Technical Note on Matlantis PFP v9: Extending the Element and Domain Coverage of the r2SCAN Training Data

Matlantis PFP v9 breidt de op r2SCAN getrainde universele machine learning-potentiaal uit naar 96 elementen (inclusclusief lanthaniden en actiniden) en nieuwe domeinen zoals clusters en adsorptie, waarbij het experimentele nauwkeurigheid bereikt voor vormingsenergieën en DFT-vergelijkbare adsorptiefouten terwijl het SevenNet-Omni aanzienlijk overtreft in inferentiesnelheid en maximale systeemgrootte.

Oorspronkelijke auteur: Daiki Shintani, Shigeru Iwase, Jun Oshiki, Kohei Shinohara, Nontawat Charoenphakdee, Makoto Hiramatsu, Yuta Tsuboi, Yusuke Asano, Hirotaka Akita, Yong-Bin Zhuang, So Takamoto, Chikashi Shinagawa

Gepubliceerd 2026-11-19
📖 6 min leestijd🧠 Diepgaand

Oorspronkelijke auteur: Daiki Shintani, Shigeru Iwase, Jun Oshiki, Kohei Shinohara, Nontawat Charoenphakdee, Makoto Hiramatsu, Yuta Tsuboi, Yusuke Asano, Hirotaka Akita, Yong-Bin Zhuang, So Takamoto, Chikashi Shinagawa

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteur. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

In de microscopische wereld van atomen vertrouwen wetenschappers al lang op een krachtig maar zwaar instrument genaamd dichtheidsfunctionaaltheorie om te voorspellen hoe materie zich gedraagt. Deze methode berekent de interacties tussen elk afzonderlijk atoom in een materiaal met extreme precisie, waarbij in essentie de kwantummechanische vergelijkingen worden opgelost die hun bestaan beheersen. Hoewel deze aanpak resultaten oplevert die overeenkomen met experimenten uit de echte wereld, is het zo rekenintensief dat het slechts systemen met enkele duizenden atomen voor een kort moment in de tijd kan verwerken. Om grotere structuren te bestuderen, zoals een metaalgraan of een druppel water, of om processen over langere perioden te volgen, hadden onderzoekers een snellere manier nodig die bijna hetzelfde niveau van nauwkeurigheid biedt. Deze behoefte leidde tot machine learning interatomaire potentialen, computer modellen die zijn getraind op de data van die zware berekeningen. Eenmaal getraind, kunnen deze modellen voorspellen hoe atomen zullen bewegen en interageren met een snelheid die duizenden malen hoger ligt dan de oorspronkelijke methode, waardoor wetenschappers systemen met miljoenen atomen kunnen simuleren en uitgestrekte nieuwe gebieden in de materiaalkunde kunnen verkennen.

Jarenlang waren deze machine learning modellen vaak gespecialiseerd, gebouwd om slechts specifieke typen materialen zoals organische moleculen of eenvoudige kristallen te kunnen verwerken. Een significante sprong vond plaats met de ontwikkeling van Matlantis PFP, een universeel model ontworpen om een breed scala aan domeinen te behandelen — van vaste kristallen tot individuele moleculen en oppervlakkelagen — met één enkel, verenigd systeem. De nieuwste versie van dit model, bekend als PFP v9, vertegenwoordigt een grote uitbreiding van de mogelijkheden. Onderzoekers bij Preferred Networks en Matlantis Corporation hebben dit model er succesvol toe gebracht om een veel breder bereik van het periodiek systeem en complexere fysieke arrangementen te begrijpen. Door het model te voeden met een nieuwe, enorme dataset berekend met een zeer nauwkeurige methode genaamd r2SCAN, hebben zij het mogelijk gemaakt om materialen te simuleren die zeldzame aardelementen en zware actiniden bevatten, die voorheen te moeilijk te modelleren waren met deze specifieke benadering. Ze voegden ook gegevens toe over hoe moleculen aan oppervlakken blijven plakken en hoe atomen samenklonteren, waardoor de hiaten werden opgevuld die de eerdere bruikbaarheid van het model beperkten.

De kern van deze vooruitgang ligt in de trainingsdata. De onderzoekers genereerden een nieuwe set referentieberekeningen met behulp van de r2SCAN-functionaal, een geavanceerde wiskundige benadering die zeer goed overeenkomt met experimentele resultaten. In de vorige versie van het model besloeg deze dataset slechts 70 elementen en miste hele families van atomen, zoals de lanthaniden, die cruciaal zijn voor technologieën zoals magneten en batterijen. Het nieuwe werk breidde deze dekking uit naar in totaal 96 elementen, waarbij de lanthaniden van praseodymium tot lutetium en de zware elementen van polonium tot curium werden toegevoegd. Om deze complexe atomen te verwerken, maakte het team een specifieke technische keuze met betrekking tot de behandeling van hun binnenste elektronen. Voor de lanthaniden gebruikten ze "harde" potentialen die ervoor zorgen dat de binnenste f-elektronen kunnen deelnemen aan bindingen, in plaats van ze in een bevroren kern te houden. Deze beslissing was noodzakelijk om nauwkeurig te beschrijven hoe deze atomen zich gedragen in verschillende chemische omgevingen, een nuance die in eerdere versies onopgelost was gebleven.

Met het model nu getraind op deze uitgebreide en meer diverse dataset, testten de onderzoekers de nauwkeurigheid ervan tegenover real-world metingen. Ze keken naar de vormingsenergieën van kristallen die de nieuw ondersteunde elementen bevatten, wat een maat is voor hoeveel energie er vrijkomt of wordt opgenomen wanneer een materiaal wordt gevormd uit zijn constituerende delen. De resultaten lieten zien dat de voorspellingen van het model voor deze nieuwe, complexe materialen net zo nauwkeurig waren als de voorspellingen voor de oudere, bekende elementen. Het verschil tussen de berekeningen van het model en de experimentele waarden was klein, gemiddeld ongeveer 93 millielectronvolt per atoom, een cijfer dat bijna identiek is aan de foutmarge voor de eerder ondersteunde elementen. Dit geeft aan dat het model de fysica van deze moeilijk te behandelen atomen succesvol heeft geleerd zonder zijn precisie te verliezen.

Het team testte ook het vermogen van het model om adsorptie te voorspellen, wat het proces is waarbij moleculen aan een vast oppervlak blijven plakken. Dit is een cruciale interactie in velden zoals katalyse, waar oppervlakken worden gebruikt om chemische reacties te versnellen. Ze vergeleken de voorspellingen van het model over hoe sterk verschillende moleculen binden aan overgangsmetaaloppervlakken met een database van experimentele metingen. Het model presteerde met een algemene fout die vergelijkbaar is met de standaard dichtheidsfunctionaaltheorie die als benchmark wordt gebruikt. De onderzoekers merkten echter een specifieke tendens op: het model overschatte licht de bindingssterkte voor moleculen die sterke chemische bindingen met het oppervlak vormen, terwijl het de bindingssterkte onderschatte voor diegene die door zwakkere krachten bij elkaar worden gehouden. Ondanks dit bracht de inclusie van een dispersiecorrectie, die rekening houdt met zwakke aantrekkingskrachten tussen atomen, de voorspellingen voor de zwakkere interacties veel dichter bij de experimentele realiteit.

Naast nauwkeurigheid is de praktische snelheid van het model een kenmerkend aspect van dit werk. De onderzoekers vergeleken PFP v9 met een ander publiek model dat getraind is op vergelijkbare data, bekend als SevenNet-Omni, waarbij beide draaiden op hetzelfde type high-performance graphics processor. De resultaten waren opmerkelijk. Het nieuwe model kon systemen aan met vijf tot tien keer zoveel atomen als de concurrent voordat het geheugen op was. Bovendien was het nieuwe model drie tot vier keer sneller bij het berekenen van de krachten die de atomaire beweging aandrijven. Voor een systeem van vloeibaar water kon het model bijvoorbeeld een cluster van bijna 118.000 atomen simuleren, terwijl het andere model slechts ongeveer 12.000 kon beheren voordat het een geheugenlimiet bereikte. Deze sprong in efficiëntie betekent dat wetenschappers nu veel grotere en complexere systemen kunnen simuleren, zoals zeldzame aardlegeringen of actinideverbindingen, met een snelheid die voorheen onmogelijk was voor dit niveau van nauwkeurigheid.

De auteurs concluderen dat deze uitbreiding het model tot een veelzijdig instrument maakt voor een breed scala aan wetenschappelijke uitdagingen, van het ontwerpen van nieuwe materialen voor energieopslag tot het begrijpen van het gedrag van nucleaire brandstoffen. Ze zijn echter duidelijk over de grenzen van wat het model momenteel kan doen. Hoewel het uitblinkt in het beschrijven van atomen in hun standaardtoestanden en op schone oppervlakken, worstelt het nog steeds met bepaalde complexe scenario's, zoals materialen met sterke magnetische correlaties of systemen die betrokken zijn bij lang reikende elektrische ladingen. Het model houdt nog geen rekening met de effecten van elektrische velden of het gedrag van geladen defecten op een manier die het zou mogelijk maken om elektrolyten of geëlektrificeerde interfaces te simuleren. Dit blijven gebieden voor toekomstige ontwikkeling. Voor nu staat het werk als een significante stap voorwaarts, die een betrouwbare en snelle manier biedt om de eigenschappen van een groot deel van het periodiek systeem te verkennen dat voorheen buiten bereik was voor universele machine learning-modellen.

Verdrinkt u in papers in uw vakgebied?

Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.

Probeer Digest →