VibroML：利用机器学习势能进行晶体材料高通量振动分析与动力学不稳定性修复的自动化工具包
材料科学
2026-05-01 v1 人工智能
机器学习
计算物理
摘要
虽然机器学习原子间势能（MLIP）加速了声子色散计算，但仅仅识别计算预测材料中的动力学不稳定性是不够的；还需要自动化的途径来解决它们。我们介绍了 VibroML，一个由基础 MLIP 驱动的开源 Python 工具包，它将范式从稳定性验证转变为自动化结构修复。VibroML 采用能量引导的遗传算法，其性能远超传统的软模跟随，能高效地探索势能面，以发现多样的、动力学稳定的多晶型。由于 0 K 谐波稳定性不能保证宏观可行性，一个自动化的分子动力学工作流会评估有限温度下的结构保持能力。VibroML 还与我们的组合结构预测引擎 ProtoCSP 耦合，通过靶向合金化来稳定受挫的晶体拓扑结构，成功修复了如 CsKInI 和 KTaSe 等功能性钙钛矿网络。为了展示更广泛的适用性，我们挖掘了 Alexandria 数据库——其中约 50% 的四元和 99.5% 的五元元素组合缺乏任何结构条目——以识别数千种被遗弃的高对称性化学计量比。通过对样本部署 ProtoCSP 的“冷启动”检索和 VibroML 的进化搜索，我们成功识别了动力学稳定的低对称性候选结构。通过集成的结构修复、热验证和系统的组分探索，VibroML 实现了一种全面的深度筛选方法，产生了远超标准高通量工作流的物理上合理的结构方案。
引用
@article{arxiv.2604.27685,
title = {VibroML: an automated toolkit for high-throughput vibrational analysis and dynamic instability remediation of crystalline materials using machine-learned potentials},
author = {Rogério Almeida Gouvêa and Gian-Marco Rignanese},
journal= {arXiv preprint arXiv:2604.27685},
year = {2026}
}