通过纳入短程经验势能提高机器学习势能的鲁棒性与训练效率
材料科学
2025-04-23 v1
摘要
机器学习力场（MLFF）是材料建模的强大工具，但其性能常受限于训练数据质量，尤其是缺乏稀有事件构型。这种限制削弱了其在长时间尺度和大规模分子动力学模拟中的准确性和鲁棒性。本文提出一种混合MLFF框架，集成经验短程排斥势能，展示了改进的鲁棒性和训练效率。以固态电解质LiLaZrO（LLZO）为模型系统，我们展示纯数据驱动的MLFF因短程排斥不足，无法防止在扩展模拟中出现的不物理原子聚集。相比之下，混合力场消除了此类损伤，使其能够实现稳定的长时间模拟，这对于研究LLZO的 various properties至关重要。该混合框架还减少了对大规模主动学习的需求，只需25个训练构型即可实现良好性能。通过将物理驱动的约束与数据驱动的灵活性相结合，这种方法与大多数现有MLFF架构兼容，为开发面向复杂材料系统的鲁棒、训练高效的力场树立了通用范式。
引用
@article{arxiv.2504.15925,
title = {Improving robustness and training efficiency of machine-learned potentials by incorporating short-range empirical potentials},
author = {Zihan Yan and Zheyong Fan and Yizhou Zhu},
journal= {arXiv preprint arXiv:2504.15925},
year = {2025}
}
备注
9 pages, 5 figures