将OC20训练的EquiformerV2模型适配于高熵材料
材料科学
2024-03-18 v1 机器学习
化学物理
摘要
计算高通量研究，尤其是在高熵材料和催化剂的研究中，受到高维组分空间和无数结构微观态的阻碍。这给密度泛函理论计算的常规使用带来了瓶颈，因此，机器学习势在原子结构模拟中的应用正变得越来越普遍。在本通讯中，我们展示了调整和微调来自Open Catalyst Project的预训练EquiformerV2模型，以推断*OH和*O在域外高熵合金Ag-Ir-Pd-Pt-Ru上的吸附能的结果。通过应用基于结合位点局部环境的能量滤波器，零样本推理得到显著改善，并且通过少样本微调，该模型达到了最先进的精度。还发现，扮演通用机器学习势角色的EquiformerV2能够为一个更小、更聚焦的直接推理模型提供信息。这种知识蒸馏设置提升了复杂结合位点上的性能。总的来说，这表明从有序金属间结构中学到的基础知识可以外推到高度无序的固溶体结构。凭借这些模型极大加速的计算吞吐量，以前在高熵材料空间中不可行的研究现在变得易于实现。
引用
@article{arxiv.2403.09811,
title = {Adapting OC20-trained EquiformerV2 Models for High-Entropy Materials},
author = {Christian M. Clausen and Jan Rossmeisl and Zachary W. Ulissi},
journal= {arXiv preprint arXiv:2403.09811},
year = {2024}
}