MOFSimBench：评估金属-有机框架分子建模中通用机器学习原子势能量的基准
材料科学
2025-07-17 v1 机器学习
计算物理
摘要
通用机器学习原子势能（uMLIPs）已成为加速原子模拟的强大工具，提供可扩展且高效的建模方式，准确性接近量子计算。然而，这些模型在实际应用中的可靠性和有效性仍是一个开放问题。金属-有机框架（MOFs）及相关纳米孔材料在碳捕获、能源存储和催化等应用中具有关键重要性。对 Modeling 纳米孔材料而言，uMLIPs 面临独特挑战，由于其化学多样性、结构复杂性，包括孔隙和配位键，以及缺乏来自现有训练数据集的代表性。本文介绍了 MOFSimBench，一个用于评估纳米孔材料建模中关键材料建模任务的基准，包括结构优化、分子动力学（MD）稳定性、bulk 属性预测，如 bulk 模量和热容，以及客-宿主相互作用。我们在化学和结构多样化的材料集合上评估了来自 various architectures 的 20 多个模型，发现顶级 uMLIPs 在所有任务中一致优于经典力场和微调的机器学习势能，表明它们已准备好部署到纳米孔材料建模中。我们的分析表明，数据质量——特别是训练集的多样性和对非平衡构型的包含——在决定所有评估 uMLIPs 性能方面发挥更关键的作用 than model architecture。我们在 https://github.com/AI4ChemS/mofsim-bench 上发布了模块化和可扩展的 benchmarking 框架，为指导纳米孔材料建模的采用以及 uMLIPs 的进一步开发提供了开放资源。
引用
@article{arxiv.2507.11806,
title = {MOFSimBench: Evaluating Universal Machine Learning Interatomic Potentials In Metal--Organic Framework Molecular Modeling},
author = {Hendrik Kraß and Ju Huang and Seyed Mohamad Moosavi},
journal= {arXiv preprint arXiv:2507.11806},
year = {2025}
}