通过冻结迁移学习微调材料原子势的基础模型
材料科学
2025-07-30 v3
摘要
机器学习原子势正在通过提供在训练数据范围内的准确且可扩展的预测， revolutionising atomistic materials simulations（原子尺度材料模拟）。然而，生成准确且稳健的训练数据集仍然是一个挑战，通常需要数千项 first-principles（第一性原理）计算才能实现高准确性。Foundation models（基础模型）正在初步出现，旨在创建跨广泛材料范围内通用的势。虽然基础模型可能具有稳健性和可迁移性，但它们尚未实现预测反应势垒、相变和材料稳定性所需的准确性。本工作证明，通过使用部分冻结权重和偏置的迁移学习，基础模型势可达到化学精度。对于两个具有挑战性的数据集（表面上的反应化学和三元合金的稳定性与弹性性能），我们显示，使用 10-20% 的数据（数百个数据点）的冻结迁移学习可实现与从头训练（在数千个数据点上）相似的准确性。此外，我们表明，可以使用迁移学习得到的势作为 ground truth（真实值），构建一个同样准确但显著更高效的替代模型。综合起来，我们提出了一种改进机器学习势的仿真工作流程，提高了数据效率和计算效率。
引用
@article{arxiv.2502.15582,
title = {Fine-tuning foundation models of materials interatomic potentials with frozen transfer learning},
author = {Mariia Radova and Wojciech G. Stark and Connor S. Allen and Reinhard J. Maurer and Albert P. Bartók},
journal= {arXiv preprint arXiv:2502.15582},
year = {2025}
}