中文

CoTAR：凝聚相中的拓扑与原子态重构

材料科学 2026-06-26 v1
作者: Hodaka Mori , Yu Miyazaki , Takechika Kikkawa
在 arXiv 上查看 ↗ PDF ↗

摘要

通用机器学习原子间势（uMLIPs）能以近第一性原理精度实现凝聚相分子动力学（MD）模拟，但其缺乏显式分子拓扑限制了键感知分析及与经典力场的重连。在此，我们提出CoTAR，一种混合图神经网络（GNN）—隐马尔可夫模型（HMM）框架，通过结合近邻图上的消息传递与范德华先验、化学约束和时间平滑，从原子种类、坐标和总电荷重构分子拓扑、形式电荷和未配对电子。在128个非反应、保拓扑凝聚相体系中，CoTAR在经典MD数据上取得了0.906的键级加权F1分数；对于uMLIP轨迹，少样本微调将有效快照率从38.6\%提升至84.7\%。重构的拓扑也支持了下游经典MD模拟，且HMM平滑将系统级MD模拟可行率从83.6\%提升至85.9\%，表明CoTAR为凝聚相uMLIP轨迹的键感知分析提供了实用框架。

关键词

机器学习原子间势 分子拓扑 图神经网络 隐马尔可夫模型 凝聚相 分子动力学 形式电荷 少样本微调

引用

@article{arxiv.2606.27636,
  title  = {CoTAR: Topology and Atomic State Reconstruction in Condensed Phases},
  author = {Hodaka Mori and Yu Miyazaki and Takechika Kikkawa},
  journal= {arXiv preprint arXiv:2606.27636},
  year   = {2026}
}