杰纳里斯3.0:通过刚性压力产生密集的分子晶体结构
Yi Yang1, Rithwik Tom2, Jose A G L Wui3
1Department of Materials Science & Engineering, Carnegie Mellon University, Pittsburgh, Pennsylvania 15213, United States.
Journal of chemical theory and computation
|October 30, 2025
概括
杰纳里斯3.0通过引入"刚性压力"算法和机器学习的潜力来提高晶体结构预测的速度. 这种开源工具有助于发现新的多态形态,并为机器学习模型生成数据.
科学领域:
- 晶体学 晶体学是指结晶学.
- 计算化学计算化学
- 材料科学 材料科学 材料科学
背景情况:
- 分子晶体的多态性显著影响材料的性能和性能.
- 晶体结构预测 (CSP) 对于计算探索多态体至关重要.
- 现有的方法需要大量的计算资源来探索晶体结构的景观.
研究的目的:
- 介绍Genarris 3.0,一个增强的开源代码用于分子晶体结构预测.
- 通过机器学习的原子间潜力 (MLIPs) 加快对潜在能源景观的探索.
- 开发和验证一个新的聚类和下行选择工作流程,以实现高效的多形态排名.
主要方法:
- 杰纳里斯3.0集成了一个新的"刚性压力"算法,用于几何压缩.
- 与MACE-OFF23的集成 (L) MLIPs用于加速的几何优化和能量排名.
- 应用集群和下行选择工作流程,以实现高效的数据处理.
主要成果:
- 杰纳里斯3.0成功地预测了六个不同的目标的晶体结构,包括能量材料.
- 分析显示了MLIP性能的变化,特别是对于高能耗材料,这在新的工作流程中得到了缓解.
- 该代码有效地生成适合训练机器学习模型的分子晶体数据集.
结论:
- 杰纳里斯3.0为晶体结构预测提供了一个高效和有效的平台.
- 整合MLIP和一个强大的工作流加速了稳定的多态的发现.
- 生成的数据集对于推进材料科学中的机器学习应用非常有价值.
更多相关视频
10:10Neutron Crystallography Data Collection and Processing for Modelling Hydrogen Atoms in Protein Structures
Published on: December 1, 2020
5.6K
09:15Combining X-Ray Crystallography with Small Angle X-Ray Scattering to Model Unstructured Regions of Nsa1 from S. Cerevisiae
Published on: January 10, 2018
10.3K
