洛桑联邦理工学院米歇尔·切里奥蒂教授领导的研究团队近日推出一项新的机器学习原子间势模型，显著提升了该技术在先进材料模拟中的效率与广泛适用性。这项研究通过创建新型数据集与优化神经网络架构，目的是克服通用模型在训练数据方面面临的局限性。

原子间势是描述原子系统能量关系的数学函数，对预测材料稳定性与性质至关重要。先前通用的机器学习原子间势模型常因依赖特定体系数据或受限于训练样本的多样性而难以广泛适用。该团队的研究人员、来自COSMO实验室的阿尔斯兰·马齐托夫指出：“当这种向通用模型的过渡发生时，我们发现自己面临着这样的困境：我们拥有了模型，但却缺乏足够的数据来训练它们。”

为解决这一问题，团队在《自然通讯》上发表了名为PET-MAD的通用模型及其配套的“大规模原子多样性”数据集。该数据集涵盖85种元素，包含超过9.5万个结构，涉及从三维体材料到纳米团簇的多种物质形态。所有数据均采用一致的密度泛函理论进行了重新计算。马齐托夫对此说明道：“我们对数据进行了处理，使其比之前的数据库更紧凑、信息更丰富，这样在训练神经网络时就能更加高效。” 该数据库已通过Materials Cloud平台公开。

此外，团队设计的神经网络架构减少了对先验化学知识的依赖，转而让模型在训练过程中自主学习物理对称性。研究通过对六类不同材料的模拟案例验证了PET-MAD的有效性，结果表明其精度可与针对单一体系专门优化的模型相媲美。应用案例包括对固态电解质离子电导率的筛选，以及对砷化镓熔点的计算。

尽管当前模型在底层理论近似和长程相互作用描述等方面仍有提升空间，但PET-MAD的一个关键贡献在于降低了复杂模拟的技术与成本门槛。马齐托夫表示：“我们证明，通过明智地选择和准备数据集，PET-MAD可以提高训练效率并降低训练成本，通常可以达到小型预算实验室也能负担得起的水平，而且不会牺牲准确性、可迁移性或推理速度。”

更多信息：作者 Arslan Mazitov 等人，标题《PET-MAD 作为用于先进材料建模的轻量级通用原子间势》，发表于《自然通讯》 (2025)。期刊信息： 《自然通讯》