AiiDA-TrainsPot：迈向神经网络原子间势的自动化训练
计算物理
2026-05-08 v2 无序系统与神经网络
材料科学
摘要
构建神经网络原子间势（NNIP）仍然是一项复杂任务，需要机器学习与电子结构计算两方面的专业知识。在这里，我们引入 AiiDA-TrainsPot，一个自动化、开源且用户友好的工作流程，通过编排密度泛函理论计算、数据增强策略和经典分子动力学来简化精确 NNIP 的创建。我们的主动学习策略利用基于 ab initio 参考误差的委员会分歧的在线校准来确保可靠的置信度估计。我们使用电子结构描述符和降维来分析该校准准则的效率，并证明它在决定从第一性原理计算什么时能够最小化假阳性和假阴性。AiiDA-TrainsPot 采用模块化设计，支持多种 NNIP 后端，既支持从头训练 NNIP，也支持基础模型的微调。我们通过针对 pristine 和缺陷碳同素异形体（包括无定形碳）以及单层 合金的结构相变的自动化训练任务展示了其能力。
引用
@article{arxiv.2509.11703,
title = {AiiDA-TrainsPot: Towards automated training of neural-network interatomic potentials},
author = {Davide Bidoggia and Nataliia Manko and Maria Peressi and Antimo Marrazzo},
journal= {arXiv preprint arXiv:2509.11703},
year = {2026}
}