文摘
原子间势(iap)描述原子的势能面,是原子论的一个基本输入模拟。然而,现有的iap也安装在狭窄的化学反应或不准确的通用应用程序。这里我们报告一个普遍IAP基于图的材料与三体相互作用(M3GNet)神经网络。M3GNet IAP训练的大规模数据库执行的结构松弛材料项目在过去的十年里,已经广泛应用于结构弛豫,动态模拟和属性预测材料在不同化学空间。180万材料的筛选3100万假想的晶体结构被确定潜在的稳定对现有基于M3GNet能量晶体材料项目。前2000材料的能量高于最低的凸包,1578人使用密度泛函理论计算验证是稳定的。这些结果证明机器learning-accelerated通路的发现synthesizable材料特殊属性。
这是一个预览的订阅内容,通过访问你的机构
相关的文章
开放获取文章引用这篇文章。
机器学习的鲁棒性和普遍性的关键考试预测材料的属性
npj计算材料开放获取2023年4月07
Uncertainty-aware分子动力学从贝叶斯主动学习阶段转换和热传输在原文如此
npj计算材料开放获取2023年3月06
访问选项
访问其他自然组合期刊性质和54
得到自然+,请求书在线访问订阅
每月29.99美元
取消任何时候
订阅本杂志
收到12个数字问题和在线访问的文章
每年99.00美元
只有8.25美元的问题
本文租或购买
本文得到只要你需要它
39.95美元
价格可能受当地税收计算在结帐
![](https://media.springernature.com/m312/springer-static/image/art%3A10.1038%2Fs43588-022-00349-3/MediaObjects/43588_2022_349_Fig1_HTML.png)
![](https://media.springernature.com/m312/springer-static/image/art%3A10.1038%2Fs43588-022-00349-3/MediaObjects/43588_2022_349_Fig2_HTML.png)
![](https://media.springernature.com/m312/springer-static/image/art%3A10.1038%2Fs43588-022-00349-3/MediaObjects/43588_2022_349_Fig3_HTML.png)
![](https://media.springernature.com/m312/springer-static/image/art%3A10.1038%2Fs43588-022-00349-3/MediaObjects/43588_2022_349_Fig4_HTML.png)
![](https://media.springernature.com/m312/springer-static/image/art%3A10.1038%2Fs43588-022-00349-3/MediaObjects/43588_2022_349_Fig5_HTML.png)
数据可用性
通用IAP的训练数据是可用的https://doi.org/10.6084/m9.figshare.19470599(ref。61年)。328年的声子色散曲线动态稳定的材料可用https://doi.org/10.6084/m9.figshare.20217212(ref。62年)。在这项研究中所使用的“数据库是一个商业产品,不能共享。假设所有生成的化合物和相应M3GNet提供预测http://matterverse.ai。可以通过访问每个材料的详细信息页面https://matterverse.ai/details/mv-id范围从0到31664854,id。源数据本文提供的。
代码的可用性
引用
维纳,p . k . & Kollman p . a .琥珀:辅助建筑与能源优化模型。一般程序建模分子和他们的相互作用。j .第一版。化学。2,287 - 303 (1981)。
情况下,d . a . et al。琥珀生物分子模拟程序。j .第一版。化学。26,1668 - 1688 (2005)。
灵巧的,a K。,Casewit, C. J., Colwell, K. S., Goddard, W. A. & Skiff, W. M. UFF, a full periodic table force field for molecular mechanics and molecular dynamics simulations.j。化学。Soc。114年,10024 - 10035 (1992)。
Behler, j . & Parrinello m .广义神经网络表示的高维势能表面。理论物理。启。98年146401 (2007)。
巴托克,a P。,Payne, M. C., Kondor, R. & Csányi, G. Gaussian approximation potentials: the accuracy of quantum mechanics, without the electrons.理论物理。启。104年136403 (2010)。
汤普森,a P。、Swiler l . P。Trott, c R。,Foiles, S. M. & Tucker, G. J. Spectral neighbor analysis method for automated generation of quantum-accurate interatomic potentials.j .第一版。理论物理。285年,316 - 330 (2015)。
Shapeev, a . v .矩张量的潜力:一类系统可利用的原子间势。多尺度模型。同时。14,1153 - 1173 (2016)。
张,L。,汉族,J。,Wang, H., Car, R. & E, W. Deep potential molecular dynamics: a scalable model with the accuracy of quantum mechanics.理论物理。启。120年143001 (2018)。
左,y . et al。机器学习原子间势的性能和成本评估。期刊。化学。一个124年,731 - 745 (2020)。
shutt k . et al . SchNet:连续过滤机卷积神经网络建模量子交互。在Proc。31日国际会议上神经信息处理系统先进的神经信息处理系统992 - 1002(少量的酒,2017)。
Klicpera, J。,Groß, J. & Günnemann, S. Directional message passing for molecular graphs. Preprint athttps://arxiv.org/abs/2003.03123(2020)。
Haghighatlari m . et al . NewtonNet:牛顿消息传递网络深度学习原子间势和力量。数字。越是加大。1,333 - 343 (2022)。
公园,c . w . et al .准确和可伸缩的图力场和分子动力学神经网络直接力的架构。npj第一版。板牙。71 - 9 (2021)。
千,G。,Yang, L., McCloskey, K., Reed, E. J. & Cubuk, E. D. Crystal structure search with random relaxations using graph networks. Preprint athttps://arxiv.org/abs/2012.02920(2020)。
Lejaeghere, k . et al .再现性固体的密度泛函理论计算。科学351年aad3000 (2016)。
Ong s p . et al . Python材料基因组学(pymatgen):一个健壮的、开源的Python库进行材料分析。第一版。板牙。科学。68年,314 - 319 (2013)。
耆那教徒,a . et al .烟花:动态工作流系统为高通量应用程序而设计的。Concurr。第一版。27,5037 - 5059 (2015)。
Pizzi G。,Cepellotti, A., Sabatini, R., Marzari, N. & Kozinsky, B. AiiDA: automated interactive infrastructure and database for computational science.第一版。板牙。科学。111年,218 - 230 (2016)。
马修,k . et al . Atomate:高级界面生成、执行和分析计算材料科学工作流。第一版。板牙。科学。139年,140 - 152 (2017)。
耆那教徒,et al。评论:材料项目:材料基因组方法加速材料的创新。APL板牙。1011002 (2013)。
Curtarolo, s . et al . AFLOWLIB。ORG:分布式材料属性库高通量从头开始计算。第一版。板牙。科学。58,227 - 235 (2012)。
Kirklin, s . et al .开放量子材料数据库(OQMD):评估的准确性DFT地层能量。npj第一版。板牙。11 - 15,(2015)。
Draxl, c & Scheffler m .游牧实验室:从数据共享到人工智能。期刊。板牙。2036001 (2019)。
谢,t &格罗斯曼,j . c .晶体图卷积神经网络对材料特性的准确和可预测的。理论物理。启。120年145301 (2018)。
陈,C。,你们,W。,Zuo, Y., Zheng, C. & Ong, S. P. Graph networks as a universal machine learning framework for molecules and crystals.化学。板牙。31日,3564 - 3572 (2019)。
陈,C。,Zuo, Y., Ye, W., Li, X. & Ong, S. P. Learning properties of ordered and disordered materials from multi-fidelity data.Nat。第一版。科学。146-53 (2021)。
乔杜里,k & DeCost b原子论的线图预测神经网络改进材料的属性。npj第一版。板牙。7,1 - 8 (2021)。
Tersoff, j .新的实证研究法共价结构和能量的系统。理论物理。启B37,6991 - 7000 (1988)。
Petretto, g . et al。高通量密度泛函微扰理论对无机材料声子。科学。数据5180065 (2018)。
Perdew, j . p . et al .恢复交换的密度梯度扩张固体和表面。理论物理。启。One hundred.136406 (2008)。
Kresse, g . & Hafner, j .从头开始对液态金属的分子动力学。理论物理。启B47,558 - 561 (1993)。
Kresse, g . & Furthmuller j .从头开始总能量效率计算金属和半导体使用平面波基组。第一版。板牙。科学。615-50 (1996)。
邓恩,A。,Wang, Q., Ganose, A., Dopp, D. & Jain, A. Benchmarking materials property prediction methods: the Matbench test set and Automatminer reference algorithm.npj第一版。板牙。6,1 - 10 (2020)。
太阳,w . et al .无机晶体的热力学规模亚稳定性。科学。睡觉。2e160022 (2016)。
气,j .之间的鸿沟等。模拟和实验离子导率在锂超离子导体。板牙。今天的今天。21100463 (2021)。
玻璃、c W。,Oganov, A. R. & Hansen, N. USPEX—evolutionary crystal structure prediction.第一版。理论物理。Commun。175年,713 - 720 (2006)。
王,Y。Lv, J。,Zhu, L. & Ma, Y. CALYPSO: a method for crystal structure prediction.第一版。理论物理。Commun。183年,2063 - 2070 (2012)。
谢,T。,Fu, X., Ganea, O.-E., Barzilay, R. & Jaakkola, T. Crystal diffusion variational autoencoder for periodic material generation. Preprint athttps://arxiv.org/abs/2110.06197(2021)。
Chmiela, s . et al。机器学习准确的分子力场节能。科学。睡觉。3e1603015 (2017)。
shutt, k . T。,一个rbabzadah, F., Chmiela, S., Müller, K. R. & Tkatchenko, A. Quantum-chemical insights from deep tensor neural networks.Commun Nat。813890 (2017)。
Chmiela, S。,Sauceda, H. E., Müller, K.-R. & Tkatchenko, A. Towards exact molecular dynamics simulations with machine-learned force fields.Commun Nat。93887 (2018)。
张,Y。,Hu, C. & Jiang, B. Embedded atom neural network potentials: efficient and accurate machine learning with a physically inspired representation.期刊。化学。列托人。10,4962 - 4967 (2019)。
Perdew, j . P。,Burke, K. & Ernzerhof, M. Generalized gradient approximation made simple.理论物理。启。77年,3865 - 3868 (1996)。
Anisimov,诉我。,Zaanen, J. & Andersen, O. K. Band theory and Mott insulators: Hubbard U instead of stoner I.理论物理。启B44,943 - 954 (1991)。
Hellenbrandt, m .无机晶体结构数据库(“现在和未来。Crystallogr。牧师。1017-22 (2004)。
王,L。,Maxisch, T. & Ceder, G. Oxidation energies of transition metal oxides within the GGU+U framework.理论物理。启B73年195107 (2006)。
Singraber,。,Behler, J. & Dellago, C. Library-based LAMMPS implementation of high-dimensional neural network potentials.j .化学。理论第一版。15,1827 - 1840 (2019)。
拉玛钱德朗P。,Zoph, B. & Le, Q. V. Searching for activation functions. Preprint athttps://arxiv.org/abs/1710.05941(2017)。
koc E。,Mason, J. K. & Erturk, H. A novel approach to describe chemical environments in high-dimensional neural network potentials.j .化学。理论物理。150年154102 (2019)。
Kingma d p &英航,j·亚当:一个随机优化方法。预印https://arxiv.org/abs/1412.6980(2017)。
胡贝尔,p . j .稳健估计的位置参数。安。数学。统计。35,73 - 101 (1964)。
Abadi m . et al . TensorFlow:大规模机器学习系统。在12日研讨会上操作系统的设计和实现265 - 283 (OSDI, 2016)。
Bitzek E。,Koskinen, P., Gähler, F., Moseler, M. & Gumbsch, P. Structural relaxation made simple.理论物理。启。97年170201 (2006)。
拉森,a . h . et al .原子模拟环境Python库来处理原子。期刊。29日273002 (2017)。
多哥,a &田中,即第一原理计算声子在材料科学。Scripta Materialia108年1 - 5 (2015)。
f . et al . Scikit-learn Pedregosa:机器学习在Python中。j·马赫。学习。Res。12,2825 - 2830 (2011)。
Seabold, s & Perktold j . Statsmodels:计量经济学和统计建模与Python。在Proc。9日Python在科学会议92 - 96 (SciPy, 2010)。
猎人,j . d . Matplotlib: 2 d图形环境。第一版。科学。Eng。9,90 - 95 (2007)。
Waskom m . l . Seaborn:统计数据可视化。j .开源Softw。63021 (2021)。
熊猫的开发团队Pandas-Dev /熊猫:熊猫(Zenodo, 2020)。
陈,c & Ong s P。MPF.2021.2.8。(FigShare, 2022);https://doi.org/10.6084/m9.figshare.19470599.v3
陈,C。m3gnet 328材料的声子色散曲线(FigShare, 2022);https://doi.org/10.6084/m9.figshare.20217212.v1
Ong s . p . et al。materialsvirtuallab / m3gnet: v0.1.0。2022年(FigShare, 2022);https://doi.org/10.5281/zenodo.7141391
德容,m . et al .绘制完整的无机晶体的弹性性质的化合物。科学。数据2150009 (2015)。
确认
这项工作主要是材料支持的项目,由美国能源部资助,办公室,办公室基本能源科学、材料科学与工程部门号合同下。KC23MP DE-AC02-05-CH11231:材料项目计划。的锂超离子导体分析的部分工作是由LG能源解决方案通过前沿研究实验室(FRL)计划。这项工作用了极端的科学和工程发现环境(XSEDE),由国家科学基金会支持(格兰特没有aci - 1548562)。投资者没有参与研究设计、数据收集和分析,决定发布或准备手稿。
作者信息
作者和联系
贡献
贝和S.P.O.构思和设计工作。林祖嘉实现模型并进行分析。林祖嘉S.P.O.写手稿和促成了讨论和修改。
相应的作者
道德声明
相互竞争的利益
作者声明没有经济利益。
同行评审
同行审查的信息
自然计算科学谢谢郑伊健Cubuk和其他匿名审稿人(s)为他们的贡献的同行评审工作。处理编辑:杰锅,在合作的自然计算科学团队。同行审查报告是可用的。
额外的信息
出版商的注意施普林格自然保持中立在发表关于司法主权地图和所属机构。
扩展数据
扩展数据图1 M3GNet-calculated声子色散曲线的四个新材料热力学预测和动态稳定。
一个,Sr6Sc2Al4O15;b, K2Li3AlO4;c, KMN4V2O12;d, MnCd (GAO2) 4。
源数据
源数据图2
表Figure_2a: 2 d外力分布计算表Figure_2b: 2 d能源压力分布计算表Figure_2c:径向分布表Figure_2d:元素数量数据集。
源数据图3
表Figure_3a: DFT vs M3GNet能源表Figure_3b: DFT vs M3GNet力量表Figure_3c: DFT应力vs M3GNet应力表Figure_3g: DFT DOS中心vs M3GNet DOS中心表Figure_3h: DFT德拜温度vs M3GNet德拜温度。
源数据图4
表Figure_4a:体积变化与模型放松和没有放松表Figure_4b: M3GNet能量之间的能量差和DFT基态能量利用DFT初始结构,M3GNet-relaxed结构和DFT-relaxed结构。
源数据图5
表Figure_5a:签署Ehull M3GNet和DFT病例和氧化的情况下表Figure_5b:稳定材料比率对所有和氧化情况下DFT Ehull阈值的函数。表Figure_5c: M3GNet能源vs DFT的所有情况。表Figure_5d: M3GNet能源vs DFT的氧化情况。
源数据扩展数据图1
表a-special_points:特殊高对称点的声子色散曲线和高对称标签表a-high_symmetry_line - {d}:距离和频率不同的振动模式。d从0到最大数量的对称线考虑声子色散曲线。面板b, c, d存储在表{x}不同寻常点,表{x} -high_symmetry_line——{d}x= b, c, d。
权利和权限
Springer性质或其许可方(例如一个社会或其他合作伙伴)拥有独占权下本文与作者出版协议(s)或其他情况下(年代);作者self-archiving接受这篇文章的手稿版本是完全由这样的出版协议的条款和适用法律。
关于这篇文章
引用这篇文章
陈,C。,Ong, S.P. A universal graph deep learning interatomic potential for the periodic table.Nat第一版Sci2,718 - 728 (2022)。https://doi.org/10.1038/s43588 - 022 - 00349 - 3
收到了:
接受:
发表:
发行日期:
DOI:https://doi.org/10.1038/s43588 - 022 - 00349 - 3
本文引用的
Uncertainty-aware分子动力学从贝叶斯主动学习阶段转换和热传输在原文如此
npj计算材料(2023)
机器学习的鲁棒性和普遍性的关键考试预测材料的属性
npj计算材料(2023)