大型原子分子基准模型 for 声子的全面评估与基准研究
材料科学
2026-01-01 v1
摘要
通用机器学习势 (uMLP) 的快速发展已使能够高效、准确地预测化学空间广泛的材料属性。尽管其声子属性建模能力正在显现，但针对化学上多样化系统的系统性基准测试仍有限。我们在来自 Open Quantum Materials Database 的 2429 个晶体材料上评估了最近的六个 uMLP (EquiformerV2、MatterSim、MACE 和 CHGNet)。模型用于计算位于位移超胞中的原子力，推导原子力常数 (IFC)，并预测声子属性包括晶格热导率 (LTC)，与密度泛函理论 (DFT) 和实验数据进行比较。EquiformerV2 预训练模型在 OMat24 数据集上训练，在预测原子力和三阶 IFC 上表现突出，而其微调版本在预测二阶 IFC、LTC 以及其他声子属性方面始终优于其他模型。尽管 MACE 和 CHGNet 在力预测准确性方面与 EquiformerV2 相当，但由于 IFC 拟合存在显著差异，导致 LTC 预测不佳。相反，MatterSim 虽然力精度较低，却实现了中间水平的 IFC 预测，表明存在误差抵消和力精度与声子预测之间复杂关系。这一基准为针对具有特定热力学传输性质的材料进行高通量筛选提供了 uMLP 的评估与选择指导。
引用
@article{arxiv.2509.03401,
title = {A Comprehensive Assessment and Benchmark Study of Large Atomistic Foundation Models for Phonons},
author = {Md Zaibul Anam and Ogheneyoma Aghoghovbia and Mohammed Al-Fahdi and Lingyu Kong and Victor Fung and Ming Hu},
journal= {arXiv preprint arXiv:2509.03401},
year = {2026}
}