材料研究的革命：機器學習的原子間勢力場揭示了計算創新的威力

人工智慧和機器學習正在以驚人的速度滲透材料計算機模擬領域。特別是，先進的機器學習技術搭配高通量生成的大量、一致且準確的全始計算法數據資料，使得所創建的原子間勢能可以接近全始計算法的品質。這種能力有可能極大地影響材料研究：（i）雖然古典原子間勢能已成為原子類比中不可或缺的一部分，但此類勢能通常僅限於某些類別的材料機器學習勢能（MLPs） 則適用於所有類型的材料;（ii） MLPs 的設計是依照ReaxFF。

《Journal of Materials Research》的一期關於機器學習原子間勢的焦點議題，由 Materials Design 的 Volker Eyert、美國海軍核實驗室的 Jonathan Wormald、洛桑聯邦理工學院的 William A. Curtin 和 Materials Design 的 Erich Wimmer 擔任客座編輯，通過展示一系列印象深刻的應用，包括冶金學、光伏、質子傳輸、催化的納米粒子、固態電池的離子導體和晶體結構預測，概述了MLP的最新技術。

在他們的引言文章中，客座編輯提供了從古典勢能的早期時代到該領域最新發展的歷史概要。他們繼續討論MLP的關鍵特徵、基本思想和主要方法，並綜述了有關選定應用的文獻，以探索機器學習技術和量子模擬相結合如何將材料模擬提升到更高的長度和時間尺度水平

通過其軟體 MedeA 環境和合同研究服務，Materials Design提供將這項創新技術觸手可及的工具和專業知識。特別是，MedeA 使用者受益於半自動工作流程，該工作流程完全整合了高通量功能，並使用MedeA VASP進行全始計算法，使用 MedeA MLP Generator 和 MedeA LAMMPS 在大規模模擬中應用MLP。

資料來源 Materials Design