
用于材料跨尺度计算模拟的机器学习原子间势
近年来,机器学习原子势(ML-IP)因其兼顾高精度和高效率的优势,在材料科学、化学、生物学等领域的大尺度原子模拟研究中引起了广泛关注。本文聚焦于ML-IP在材料跨尺度计算模型中的应用,全面介绍了ML-IP的结构采样、结构描述符和拟合方法。这些方法使ML-IP能够以高精度和高效率模拟分子和晶体的动力学和热力学特性。跨学科研究领域中更高效、先进的技术在开拓覆盖不同时间和空间尺度的广泛应用方面发挥着重要作用。因此,ML-IP方法为未来的研究和创新铺平了道路,为多个领域带来了革命性的机会。对此,本课题组开展了深入的梳理与展望并发表综述(Sci. China. Mater. 2024, 67(4): 1082-1100)。
图1 材料微观-介观跨尺度计算方法