MAD-SURF：用于分子在币族金属表面吸附的机器学习原子间势
材料科学
2026-02-23 v2 介观与纳米尺度物理
计算物理
摘要
预测有机分子在金属表面上的吸附、组装和相互作用是表面化学和分子电子学的核心，特别是在解释高分辨率扫描探针显微术的背景下。然而，由于评估通常涉及的大量原子的电子结构的计算成本，从头算模拟在界面上的应用受到了阻碍。我们在此提出 MAD-SURF，一种专门针对分子在币族金属表面吸附定制的机器学习原子间势。MAD-SURF 在涵盖多种分子、吸附构型、表面、分子动力学轨迹和非共价聚集体的广泛数据集上进行训练，实现了与底层 DFT 参考相当的准确性，同时模拟速度比密度泛函理论快数个数量级。该模型在三种币族金属基底上可靠地重现了能量、力和吸附几何结构。我们在实验表征的系统上展示了其能力，包括有机单层、多环聚集体、柔性生物分子以及金的长程鱼骨状重构。通过融合准确性、速度和泛化能力，MAD-SURF 为加速表面科学中的原子级模拟和推进数据驱动工作流提供了一个实用框架。
引用
@article{arxiv.2601.18852,
title = {MAD-SURF: a machine learning interatomic potential for molecular adsorption on coinage metal surfaces},
author = {Manuel González Lastre and Joakim S. Jestilä and Rubén Pérez and Adam S. Foster},
journal= {arXiv preprint arXiv:2601.18852},
year = {2026}
}