CHIPS-FF：评估材料属性的通用机器学习力场
材料科学
2025-03-20 v4 计算物理
摘要
在这项工作中，我们介绍了 CHIPS-FF（Computational High-Performance Infrastructure for Predictive Simulation-based Force Fields，基于预测模拟的计算高性能基础设施力场），一个用于机器学习力场（MLFFs）的通用开源基准测试平台。该平台提供了超越能量等传统指标的稳健评估，重点关注包括弹性常数、声子谱、缺陷形成能、表面能以及界面和非晶相性质在内的复杂属性。CHIPS-FF 工作流利用包括 ALIGNN-FF、CHGNet、MatGL、MACE、SevenNet、ORB、MatterSim 和 OMat24 在内的 16 个基于图的 MLFF 模型，将原子模拟环境（ASE）与 JARVIS-Tools 集成，以促进自动化高通量模拟。我们的框架在一组 104 种材料上进行了测试，包括代表半导体组件中使用的金属、半导体和绝缘体，并对每个 MLFF 的收敛性、准确性和计算成本进行了评估。此外，我们评估了这些模型对近 200 万个原子结构的力预测准确性。通过提供精简、灵活的基准测试基础设施，CHIPS-FF 旨在指导面向现实世界半导体应用的 MLFF 的开发和部署，弥合量子力学模拟与大规模器件建模之间的差距。
引用
@article{arxiv.2412.10516,
title = {CHIPS-FF: Evaluating Universal Machine Learning Force Fields for Material Properties},
author = {Daniel Wines and Kamal Choudhary},
journal= {arXiv preprint arXiv:2412.10516},
year = {2025}
}