使用具有通用机器学习原子间势能的分子动力学模拟，评估不同材料类别的力学性能预测结果

《Communications Chemistry》：Evaluating mechanical property prediction across material classes using molecular dynamics simulations with universal machine-learned interatomic potentials

　　

摘要

模拟材料的力学和热性能需要精确处理原子间的相互作用，然而量子力学方法在所需的计算时间尺度上可能具有较大的挑战性。通用机器学习原子间势（MLIPs）提供了一种很有前景的替代方案，但它们在预测不同材料类别的动力学特性方面的可靠性仍很大程度上未经验证。在本研究中，我们评估了六种通用MLIPs预测13种不同材料（九种金属有机框架和四种无机化合物）的温度和压力响应的准确性，这些材料包括体积模量、热膨胀率和热分解行为。这些MLIPs采用了三种不同的架构（图神经网络、图网络模拟器和图变换器），并使用了不同的训练数据集。我们的结果发现，这些模型与实验结果在定性上是一致的，且表现优于UFF4MOF模型；不过所有模型都存在体积模量估计偏低、热膨胀率估计偏高的系统性误差，这与势能面的软化现象相符。在所有测试的模型中，有三种模型表现最优异，分别是“MACE-MP-0a”、“fairchem_OMAT”和“Orb-v3”，其各项指标和材料平均误差分别为41%、43%和43%。除了整体性能外，数据集的均匀性和结构表示能力对模型准确性起着关键作用，而某些架构能够弥补某些偏差，从而更接近于真正意义上的通用MLIPs。

此图像的替代文本可能是通过人工智能生成的。

：