机器学习势及其在分子模拟中的应用综述

分子动力学模拟已经成为化工过程和技术研发的重要工具,但经典分子动力学模拟的精度不足和从头计算分子动力学模拟的高昂计算成本,制约了分子模拟技术的广泛应用。机器学习技术的出现和发展使得基于机器学习势的分子模拟快速发展起来,该方法兼具速度快与准确性高的优势,将极大地加速分子模拟技术在化工中的应用。首先回顾了机器学习势的发展历程,给出了构建机器学习势模型的原则,介绍了数据集构建、模型训练和模型迁移与应用等,分析了不同类型的机器学习势的特点和局限性,最后对机器学习势的应用前景进行了展望。

机器学习势在含能材料分子模拟中的研究进展

归纳了机器学习势模型的发展历程、构造方案和训练集搭建策略。机器学习势模型利用第一性原理计算精度的势能面,通过机器学习算法进行重建,已成功用于含能材料燃烧爆炸的分子模拟研究,包括硝胺类含能材料(RDX、CL-20、ICM-102)、氧化剂(AP)和高能颗粒(Al、B)等,并总结了机器学习势在碳氢燃料燃烧方面的研究进展,展望了机器学习势在含能材料分子模拟中所面临的挑战和未来发展前景。指出以深度势(Deep Potential)模型为代表的机器学习势具有高精度、高效率的特点,充分发挥了基于数据驱动的模型训练策略,在保持第一性原理计算精度的同时,可以实现百万原子的分子模拟,具有广阔的应用潜力。提出未来含能材料机器学习势函数的开发将面临如下挑战:(1)如何对极端条件下复杂反应势面进行充分采样;(2)如何提高机器学习势训练集的精度。附参考文献91篇。

机器学习势及其融入的物理模型在计算材料科学中的应用

计算材料科学在材料基因工程中占据着核心地位,大幅度提升新材料的研发效率,缩短研发周期,降低研发成本。虽然密度泛函和分子动力学计算已经取得了显著的进展,但依然受到计算成本和精度的限制。最近,机器学习势的出现,将密度泛函的精度和分子动力学的效率完美结合。机器学习势作为材料科学的一个工具,正迅速变得足够精确和灵活,可以应用于现实世界的材料科学问题。因此,机器学习势是实现多尺度模拟材料设计的必要步骤。

机器学习加速理论晶体结构预测研究进展

理论晶体结构预测可以在给定化学组分的条件下确定材料的晶体结构,已成为材料科学研究的重要工具。然而,该方法一直面临计算成本高的瓶颈问题。近年来,新兴机器学习方法在传统科学计算上展现了广阔的应用前景,逐渐被引入到晶体结构预测领域。本文主要讨论机器学习方法在理论晶体结构预测领域的最新研究进展,分别从加速晶体结构的能量计算和势能面的探索两个方面介绍领域的最新成果,并对未来研究可能的发展提出抛砖引玉的见解。