为通用机器学习优化跨领域转移原子间潜能
Jaesun Kim1, Jinmu You1, Yutack Park1
1Department of Materials Science and Engineering, Seoul National University, Seoul, Republic of Korea.
我们开发了一种新的机器学习原子间潜力的培训策略,提高模型的准确性和跨不同化学领域的可转移性. 这种方法通过使分子,晶体和表面的可靠预测,加速了材料的发现.
科学领域:
- 计算材料科学 计算材料科学
- 机器学习在化学中的应用
- 量子力学就是量子力学.
背景情况:
- 准确和可转移的机器学习原子间潜力 (MLIP) 对于加速材料和化学发现至关重要.
- 现有的通用MLIP经常因过度适应特定的化学空间或计算方法而受到影响,这限制了它们在各种应用中的可靠性.
- 这就需要开发出能够在不同的化学环境和功能领域进行概括的强大模型.
研究的目的:
- 引入一种新的可转移的多领域培训策略,以开发准确和可通用的MLIP.
- 增强MLIP的分布外通用化能力,同时保持高域内精度.
- 创建一个通用的MLIP模型,SevenNet-Omni,能够跨越多种化学领域和量子力学忠实度.
主要方法:
- 实施了多领域培训策略,通过选择性规范化优化参数.
- 利用域桥接数据集,在不同的化学环境中对准潜在能量表面.
- 进行了系统的废弃实验,以验证拟议策略的协同效应.
- 在15个不同的开放数据集上训练了SevenNet-Omni模型,包括分子,晶体和表面.
主要成果:
- 通过开发的策略,证明了在分发之外的泛化和域内忠实性的协同增强.
- 在跨领域基准中实现了最先进的准确性,在各种场景中达到化学准确性.
- 通过从更大,更低准确度的数据库转移知识,成功地复制了高保真性质.
- 在预测催化表面和金属有机框架的吸附能量方面,SevenNet-Omni表现出色.
结论:
- 拟议的可转移的多领域培训策略显著提高了MLIP的可靠性和适用性.
- 七网-万能代表着对材料和化学发现的通用,可转移的原子间潜力的重大进步.
- 这个框架为开发模型提供了一个可扩展的途径,可以将量子力学准确性和广泛的化学领域覆盖度相结合.
更多相关视频
06:50Computational Prediction of Amino Acid Preferences of Potentially Multispecific Peptide-Binding Domains Involved in Protein-Protein Interactions
Published on: January 26, 2024
05:37Rapid in-silico Battery Electrolyte Electrochemical Reaction Generation using 3T-VASP Multi-Scale Energy Minimization
Published on: August 22, 2025
相关概念视频
Hybridization of Atomic Orbitals I
Hybridization of Atomic Orbitals II
Improving Translational Accuracy
Improving Translational Accuracy
Maxwell-Boltzmann Distribution: Problem Solving
This distribution function f(v) is defined by saying that the expected number N (v1,v2) of particles with speeds between v1 and v2 is given by
Thermodynamic Potentials
