ADAPT：轻量级、长程机器学习力场，无需图结构
机器学习
2025-09-30 v1 材料科学
最优化与控制
摘要
点缺陷在驱动材料性质方面发挥着核心作用。第一性原理方法广泛用于计算缺陷能量和结构，包括大规模的高通缺陷数据库。然而，这些方法计算昂贵，使得基于图神经网络（GNN）的机器学习力场（MLFF）成为加速结构松弛的吸引人备选项。大多数现有MLFF基于图神经网络（GNN），可能 suffer from oversmoothing（平滑过度）和对长程相互作用的表示不足。这两个问题在建模点缺陷时尤为重要。为解决这些挑战，我们提出了加速深度原子转换器（ADAPT），一种基于直接坐标-空间表述、显式考虑所有两原子相互作用的MLFF。原子被用作标记（tokens），由Transformer编码器建模其相互作用。应用于硅点缺陷数据集时，ADAPT相对于基于GNN的先进模型实现了约33%的力和能量预测误差降低，同时仅需极少的计算资源。
引用
@article{arxiv.2509.24115,
title = {ADAPT: Lightweight, Long-Range Machine Learning Force Fields Without Graphs},
author = {Evan Dramko and Yihuang Xiong and Yizhi Zhu and Geoffroy Hautier and Thomas Reps and Christopher Jermaine and Anastasios Kyrillidis},
journal= {arXiv preprint arXiv:2509.24115},
year = {2025}
}
备注
14 total pages of main content, 4 of references, 3 in Appendix