← 最新论文
🔬 材料科学

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

Matlantis PFP v9 将经过 r2SCAN 训练的通用机器学习势函数扩展到了涵盖 96 种元素(包括镧系和锕系元素)以及簇和吸附等新领域,在实现与实验水平相当的生成能以及与 DFT 相当的吸附误差的同时,在推理速度和最大系统规模方面显著优于 SevenNet-Omni。

原作者: 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

发布于 2026-11-19
📖 1 分钟阅读☕ 轻松阅读

原作者: 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

原始论文采用 CC BY 4.0 许可(http://creativecommons.org/licenses/by/4.0/)。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性,请参阅原始论文。 阅读完整免责声明

在原子的微观世界中,科学家们长期以来一直依赖一种强大但沉重的工具——密度泛函理论(density functional theory),来预测物质的行为。这种方法通过计算材料中每一个原子之间的相互作用来获得极高的精度,本质上是在求解支配它们存在的量子力学方程。虽然这种方法产生的结果与现实世界的实验高度吻合,但由于其计算量巨大,只能处理包含数千个原子的系统,且只能模拟极短的时间。为了研究更大的结构(如金属颗粒或水滴)或观察过程随时间的演变,研究人员需要一种更快且能保持接近同等精度的方法。这种需求催生了机器学习原子间势能模型(machine learning interatomic potentials),这些计算机模型是基于那些高强度计算产生的数据进行训练的。一旦完成训练,这些模型的预测速度比原始方法快数千倍,能够模拟包含数百万个原子的系统,从而让科学家得以探索材料科学中广阔的新领域。

多年来,这些机器学习模型通常是专业化的,仅被设计用于处理特定类型的材料,如有机分子或简单的晶体。随着 Matlantis PFP 的开发,一个重大的飞跃发生了,这是一个旨在用单一统一系统处理广泛领域(从固体晶体到单个分子以及表面层)的通用模型。该模型的最新版本,即 P-PFP v9,代表了其能力的重大扩张。Preferred Networks 和 Matlantis Corporation 的研究人员成功地教会了这个模型理解更广泛的周期表和更复杂的物理排列。通过向模型输入由一种被称为 r2SCAN 的高精度方法计算出的全新大规模数据集,他们使该模型能够模拟包含稀土元素和重锕系元素的材料,而此前这些元素对于这种特定的方法来说过于难以建模。他们还加入了关于分子如何粘附在表面以及原子如何聚集的数据,填补了限制该模型此前实用性的空白。

这项进步的核心在于训练数据。研究人员使用 r2SCAN 泛函生成了一组新的参考计算,这是一种与实验结果非常吻合的高级数学方法。在模型的旧版本中,该数据集仅涵盖 70 种元素,并且遗漏了整个原子家族,例如对磁铁和电池等技术至关重要的镧系元素。这项新工作将覆盖范围扩展到了总共 96 种元素,增加了从� ပ 镨(praseodymium)到镥(lutetium)的镧系元素,以及从��သ (polonium) 到邧 (curium) 的重元素。为了处理这些复杂的原子,团队在处理其内层电子的方式上做出了特定的技术选择。对于镧系元素,他们使用了“硬”势能,允许内层 f 电子参与成键,而不是将其锁定在冻结的核心中。这一决定对于准确描述这些原子在不同化学环境中的行为是必要的,而这一细微差别在之前的版本中尚未得到解决。

由于模型现在是在这种扩展且更多样化的数据集上进行训练的,研究人员根据现实世界的测量值测试了其准确性。他们观察了包含这些新增支持元素的晶体的形成能,这是衡量材料从其组成部分形成时吸收或释放能量的一种方式。结果显示,该模型对这些新型复杂材料的预测与其对旧有已知元素的预测一样准确。模型计算值与实验值之间的差异很小,平均约为每原子 93 毫电子伏特(meV),这一数值与之前支持元素的误差率几乎相同。这表明该模型已成功学习了这些难以处理的原子的物理特性,且并未丧失其精度。

团队还测试了该模型预测吸附(adsorption)的能力,即分子粘附在固体表面的过程。这在催化等领域是一种关键的相互作用,在这些领域中,表面被用于加速化学反应。他们将模型对各种分子结合在过渡金属表面强度的预测与一个实验数据库进行了对比。模型的整体误差与作为基准的标准密度泛函理论方法相当。然而,研究人员注意到一个特定的倾向:对于那些与表面形成强化学键的分子,模型略微高估了结合强度;而对于那些由较弱作用力维持的分子,则低估了结合强度。尽管如此,引入色散校正(dispersion correction,即考虑原子间微弱吸引力的因素)后,对于较弱相互作用的预测已非常接近实验现实。

除了准确性之外,该模型的实际速度是这项工作的核心特征。研究人员将 PFP v9 与另一个使用类似数据训练的公开模型 SevenNet-Omni 进行了对比,并在同一种高性能图形处理器上运行。结果令人瞩目。新模型在耗尽内存之前,可以处理比竞争对手多出 5 到 10 倍的原子系统。此外,在计算驱动原子运动的力时,新模型的速度快了 3 到 4 倍。以液态水系统为例,该模型可以模拟一个包含近 118,000 个原子的簇,而另一个模型在达到内存限制前只能处理约 12,000 个原子。这种效率的飞跃意味着科学家现在可以模拟更大、更复杂的系统,例如稀土合金或锕系化合物,其速度在以往同等精度的水平下是无法实现的。

作者总结道,这次扩展使该模型成为应对广泛科学挑战的多功能工具,从设计用于能量存储的新型材料到理解核燃料的行为。然而,他们也明确了该模型目前的能力边界。虽然它擅长描述处于标准状态的原子和清洁表面,但在处理某些复杂场景时仍存在困难,例如具有强磁相关性的材料或涉及长程电荷的系统。该模型尚未能在模拟电解质或带电界面方面,充分考虑到电场的影响或带电缺陷的行为。这些仍是未来发展的领域。目前,这项工作代表了一个重要的进步,为探索此前对于通用机器学习模型而言难以触及的广阔周期表区域,提供了一种可靠且快速的方法。

您所在领域的论文太多了?

获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。

试用 Digest →