基准测试CHGNet通用机器学习原子势能：针对层状WS2和MoS2
材料科学
2025-09-11 v1
摘要
通用机器学习原子势能(uMLIP)在能量和力计算方面达到近似量子第一性原理的精度，同时具有低计算成本，使其在材料建模中具有重要价值。尽管uMLIP在广泛的量子第一性原理数据集上进行预训练，但仍需严格验证以支持其持续采纳。本研究使用CHGNet uMLIP对等结构层状2Hc-WS2和2Hc-MoS2中的热力学无序现象进行建模，同时对其进行基准测试，以量子第一性原理数据和扩展X射线吸收细节(EXAFS)谱进行验证，这些谱图捕捉了键长和键角的热力学变化。通过使用特定于化合物的量子第一性原理(DFT)数据进行细调可缓解uMLIP中典型的系统软化(即力量低估)现象，并同时改善了分子动力学衍生的实验EXAFS谱图与实验EXAFS谱图之间的对齐。虽然使用单个DFT结构进行细调是可行的，但建议使用约100个结构来准确再现EXAFS谱图并实现DFT水平的精度。对CHGNet uMLIP进行基准测试，以DFT和实验EXAFS数据进行验证，强化了其性能信心，并为确定最佳细调数据集大小提供了指导。
引用
@article{arxiv.2509.08498,
title = {Benchmarking CHGNet Universal Machine Learning Interatomic Potential Against DFT and EXAFS: Case of Layered WS2 and MoS2},
author = {Pjotrs Žguns and Inga Pudza and Alexei Kuzmin},
journal= {arXiv preprint arXiv:2509.08498},
year = {2025}
}