面向阴极材料的多保真机器学习力场
机器学习
2025-11-17 v1 材料科学
摘要
机器学习力场（MLFF）采用神经网络将原子结构映射到系统能量，有效地将第一性原理计算的高精度与经验力场的计算效率相结合。它们在计算材料模拟中广泛应用。然而，针对锂离子电池阴极材料的 MLFF 开发和应用仍相对有限。这主要源于阴极材料的复杂电子结构特征以及因此导致的高质量计算数据集稀缺，难以用于力场训练。本文我们开发了一种多保真机器学习力场框架，以提高计算结果的数据效率，该框架可同时利用阴极材料的低保真非磁性和高保真磁性计算数据集进行训练。在锂锰铁磷酸盐（LMFP）阴极材料体系中的测试表明，这种多保真方法效果显著。该工作有助于以更低的训练数据成本实现阴极材料的高精度 MLFF 训练，并为将 MLFF 应用于阴极材料的计算模拟提供了新的视角。
引用
@article{arxiv.2511.11361,
title = {Toward Multi-Fidelity Machine Learning Force Field for Cathode Materials},
author = {Guangyi Dong and Zhihui Wang},
journal= {arXiv preprint arXiv:2511.11361},
year = {2025}
}