XiaoMi-AI文件搜索系统
World File Search SystemMLFF
TEA挑战中的分子动力学20 -RSC Publishing
机器学习力量ELDS（MLFF）的实际应用旨在增强计算化学参考方法的能力，从而实现了否则不可行的动力模拟。实现此目标需要高度信任模拟结果，从而使MLFF模型成为研究和行业管道中的标准工具。通过对标准化的火车/玩具问题分裂的模型测试轻松地测试了大型建筑开发，而这种方法在机器学习（ML）社区中一直是标准的，创建了实际上对材料和分子科学研究有用的模型，需要复杂的系统规格C评估。即使是针对特定c系统的材料中最早的成功模型，也已经做到了这一点，在计算观察值，例如声子光谱，相变，缺陷形成能等方面都非常准确。，以及重现潜在能量表面和原子力的精确度。1 - 9之后，随着计算机科学界处理分子建模问题，他们的实践也变得突出，尤其是在比较不同的ML体系结构的作品中，开发人员评估了模型的准确性，主要是通过在能量和地面真理中评估其目标的误差和力量。10 - 29有一个广泛的观点，我们需要返回评估可观察结果。30同时，已经开发出了复杂的MLFF精度测度31 - 35和可视化工具29,36，以解决ML模型在本地和全球措施上的性能。50 - 57特别建议，长分子动力学（MD）模拟19,37 - 49在平均绝对误差（MAE）或均方根误差（RMSE）时，可以对MLFF可靠性作为身体行为的可靠性进行了可靠的测试。
使用机器学习力场固体解决方案中的低成本振动自由能
摘要：合金和实心溶液的合理设计依赖于相图的准确计算预测。群集扩展方法已被证明是研究无序晶体的宝贵工具。但是，由于计算成本，振动熵的影响通常被忽略。在这里，我们设计了一种方法，可以通过将机器学习力场（MLFF）拟合到群集扩展结构可用的松弛轨迹中，以低计算成本在集群扩展中包括振动自由能。我们演示了两个（伪）二进制系统的方法，Na 1 -x k x cl和ag 1 -x pd x，为此，准确的声子分散剂和振动自由能来自MLFF。对于两个系统，振动效应的包含导致在实验相图中与可见性差距明显更好地吻合。这种方法可以使振动效应在计算的相图中常规包含，从而更准确地预测了材料混合物的性能和稳定性。
VASP的机器学会的力场准备分子...
引言Mackinawite（FES）既可以作为地热管道的缩放剂，又是工业应用中的催化剂，具有环境修复的潜力。研究不同的{fe 2+}下的FES形成：{S 2-}比率对于理解其在自然和工程系统中的行为至关重要。但是，该比率对FES成核的影响仍然未知。我们的研究旨在使用具有元动力学的分子动力学模拟（MD）来表征最小的FES簇，以通过第一原理计算和机器学习来开发合适的力场。我们专注于训练并创建精确的机器学习力场（MLFF）。成熟的MLFF使元动力学MD能够构建带电三离子簇（CTIC）的关联的自由能表面（FES），从而揭示了{fe 2+}的影响：{s 2-}比率对成核的影响（图。1）。
AtomGPT：用于...的原子生成预训练转换器
图 1：AtomGPT 工作流程的示意图。AtomGPT 既可用于正向模型（原子结构到属性）预测，也可用于使用 LLM 的逆向设计（属性到原子结构生成）。a) 集成文本到材料属性预测、文本输入到原子结构生成、预筛选、统一机器学习力场 (MLFF) 优化和基于密度泛函理论 (DFT) 计算/实验 (Exp) 的验证过程 b) BCS 超导体 MgB 2 (JVASP-1151) 的示例晶体结构，c) 使用 ChemNLP 对 MgB 2 原子结构进行文本描述，包括明确的原子结构以及化学信息，d) 使用 Alpaca 格式的文本提示到明确的原子结构生成示例。