图构原子簇展开用于基础机器学习原子势能
材料科学
2026-01-06 v2
摘要
能够准确且高效地对广泛材料体系进行建模的基础机器学习原子势能对于加速原子级发现至关重要。我们基于图构原子簇展开（GRACE）框架引入了通用潜在能，训练数据集来自几乎最大可获得的材料数据集。通过全面基准测试，我们证明 GRACE 模型在准确率与效率之间建立了新的 Pareto 前沿。我们进一步通过微调和知识蒸馏将其适应特定任务和更简单架构，实现高精度同时防止灾难性遗忘。本工作将 GRACE 确立为下一代原子模型的稳健且可适应的基础，使其能够跨周期表实现高保真模拟。
引用
@article{arxiv.2508.17936,
title = {Graph atomic cluster expansion for foundational machine learning interatomic potentials},
author = {Yury Lysogorskiy and Anton Bochkarev and Ralf Drautz},
journal= {arXiv preprint arXiv:2508.17936},
year = {2026}
}
备注
Revised version with updated section on distillation in main text and SI and model architecture in SI