面向周期表的统一图神经网络力场
材料科学
2023-03-06 v2
摘要
基于机器学习(ML)方法的经典力场(FF)在材料大规模模拟中展现出巨大潜力。迄今MLFF大多针对特定系统设计并拟合,通常不可迁移至特定训练集之外的化学体系。我们开发了统一的基于原子线图神经网络力场(ALIGNN-FF),可对任意来自周期表的89种元素组合的结构与化学多样材料建模。为训练ALIGNN-FF模型,我们使用JARVIS-DFT数据集,其包含约75000种材料与400万能量-力条目,其中307113条用于训练。我们展示了该方法在晶体学开放数据库中原子结构快速优化以及利用遗传算法预测合金精确晶体结构方面的适用性。
引用
@article{arxiv.2209.05554,
title = {Unified Graph Neural Network Force-field for the Periodic Table},
author = {Kamal Choudhary and Brian DeCost and Lily Major and Keith Butler and Jeyan Thiyagalingam and Francesca Tavazza},
journal= {arXiv preprint arXiv:2209.05554},
year = {2023}
}