加速非晶合金发现：基于通用机器学习原子势的属性预测
人工智能
2025-09-08 v3 机器学习
摘要
虽然传统的试错方法在设计非晶合金方面成本高昂且效率低下，但仅基于组成的机器学习方法缺乏关键的原子结构信息。基于第一性原理计算数据训练的机器学习原子势，提供了一个强大的替代方案，通过近似 DFT 的精度高效地逼近复杂的三维势能曲面。本文我们开发了一个用于非晶合金的通用机器学习原子势，采用包括 20400 个配置在内的数据集，涵盖代表性的二元和三元非晶合金系统。该模型在独立测试集上表现优异，能量的平均绝对误差为 5.06 meV/atom，力的误差为 128.51 meV/\r{A}。通过广泛的验证，模型被证明可可靠地捕捉宏观属性变化趋势，如密度、杨氏模量和玻璃转变温度，涵盖原始训练系统及其派生的组成修改系统。它可以直接应用于非晶合金的组成-属性映射。此外，所开发的原子势为非晶合金的原子结构提供了访问途径，使我们能够进行微观分析和解释实验结果，尤其是偏离经验趋势的实验结果。本工作通过开发第一个面向非晶合金系统的通用机器学习原子势，突破了非晶合金研究中长期存在的计算瓶颈。所构建的框架为数据驱动的设计和高通量组成筛选提供了坚实的基础，此前该领域受传统仿真限制。
引用
@article{arxiv.2508.11987,
title = {FutureX: An Advanced Live Benchmark for LLM Agents in Future Prediction},
author = {Zhiyuan Zeng and Jiashuo Liu and Siyuan Chen and Tianci He and Yali Liao and Yixiao Tian and Jinpeng Wang and Zaiyuan Wang and Yang Yang and Lingyue Yin and Mingren Yin and Zhenwei Zhu and Tianle Cai and Zehui Chen and Jiecao Chen and Yantao Du and Xiang Gao and Jiacheng Guo and Liang Hu and Jianpeng Jiao and Xiangsheng Li and Jingkai Liu and Shuang Ni and Zhoufutu Wen and Ge Zhang and Kaiyuan Zhang and Xin Zhou and Jose Blanchet and Xipeng Qiu and Mengdi Wang and Wenhao Huang},
journal= {arXiv preprint arXiv:2508.11987},
year = {2025}
}
备注
Technical report, 51 pages. Update the results