摘要：传统的第一性原理计算在材料建模中虽然精确，但计算成本高，限制了其在大规模模拟中的应用。近年来，机器学习原子间势（MLIPs）成为了替代方案，但大多数模型仅适用于特定的材料体系，通用性有限。现有的“通用”模型虽能适用于更广泛的化学体系，但通常偏向于低能量配置，难

研究团队开发了一种新型的机器学习原子间势 PET-MAD，它能够在材料模拟中提供高精度预测，并在多个材料体系中展现出与最先进模型相媲美的性能。

传统的第一性原理计算在材料建模中虽然精确，但计算成本高，限制了其在大规模模拟中的应用。近年来，机器学习原子间势（MLIPs）成为了替代方案，但大多数模型仅适用于特定的材料体系，通用性有限。现有的“通用”模型虽能适用于更广泛的化学体系，但通常偏向于低能量配置，难以精确描述复杂的材料行为。因此，研究人员开发了一种全新的机器学习势 PET-MAD，旨在提供更广泛适用性，同时保持高精度。

研究团队引入了一个名为 Massive Atomistic Diversity（MAD）的大规模数据集，该数据集结合了稳定的无机和有机固体，并在原子结构上进行了系统性修改，以提高原子多样性。他们采用了一种基于图神经网络的机器学习架构——Point Edge Transformer（PET），并在 MAD 数据集上进行了训练。该模型的目标是提供一种通用的原子间势，在无需大规模微调的情况下，即可在各种材料系统中表现良好。研究团队通过多个基准测试对 PET-MAD 进行了评估，并在六种不同的材料体系中进行了高级模拟。

PET-MAD 在无机固体、分子、表面和有机材料方面表现出色，其稳定性和计算速度均优于现有的最先进模型。研究人员发现，PET-MAD 在多个实验中都能提供接近量子力学精度的预测，包括热力学和量子力学波动、功能性材料属性以及相变行为。此外，该模型可以通过少量特定计算进行微调，以进一步提升精度。PET-MAD 还支持先进的不确定性量化方法，使其能够可靠地评估预测误差，并适用于复杂的材料模拟任务。

来源：科学记录仪