面向元素周期表的通用图深度学习原子间势
材料科学
2022-12-06 v2 化学物理
摘要
原子间势(IAPs)描述原子的势能面,是原子尺度模拟的基本输入。然而,现有 IAPs 要么拟合于狭窄的化学体系,要么对通用应用而言过于不准确。在此,我们报道一种基于含三体相互作用的图神经网络(M3GNet)的通用材料 IAP。M3GNet IAP 在材料项目(Materials Project)过去 10 年所执行结构弛豫的庞大数据库上训练,并在不同化学空间中材料的结构弛豫、动力学模拟与性质预测方面具有广泛应用。通过对 3100 万假想晶体结构的筛选,基于 M3GNet 能量识别出约 180 万种相对现有 Materials Project 晶体可能稳定的材料。在能量高于凸包最低值最少的前 2000 种材料中,1578 种经 DFT 计算验证为稳定。这些结果展示了一种机器学习加速的发现具有优异性质可合成材料的途径。
引用
@article{arxiv.2202.02450,
title = {A Universal Graph Deep Learning Interatomic Potential for the Periodic Table},
author = {Chi Chen and Shyue Ping Ong},
journal= {arXiv preprint arXiv:2202.02450},
year = {2022}
}