論文の概要: Surface Stability Modeling with Universal Machine Learning Interatomic Potentials: A Comprehensive Cleavage Energy Benchmarking Study

• arxiv url: http://arxiv.org/abs/2508.21663v1
• Date: Fri, 29 Aug 2025 14:24:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-01 19:45:11.076442
• Title: Surface Stability Modeling with Universal Machine Learning Interatomic Potentials: A Comprehensive Cleavage Energy Benchmarking Study
• Title（参考訳）: ユニバーサル機械学習の原子間ポテンシャルを用いた表面安定性モデリング:包括的クリーベージエネルギーベンチマークによる研究
• Authors: Ardavan Mehdizadeh, Peter Schindler,
• Abstract要約: 機械学習の原子間ポテンシャル(MLIP)は計算材料科学に革命をもたらした。 これらの普遍的なMLIPがいかにエネルギーの切断を予測できるかを体系的な評価は行われていない。 クリーンエネルギー予測のための19種類の最先端のUMLIPのベンチマークを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning interatomic potentials (MLIPs) have revolutionized computational materials science by bridging the gap between quantum mechanical accuracy and classical simulation efficiency, enabling unprecedented exploration of materials properties across the periodic table. Despite their remarkable success in predicting bulk properties, no systematic evaluation has assessed how well these universal MLIPs (uMLIPs) can predict cleavage energies, a critical property governing fracture, catalysis, surface stability, and interfacial phenomena. Here, we present a comprehensive benchmark of 19 state-of-the-art uMLIPs for cleavage energy prediction using our previously established density functional theory (DFT) database of 36,718 slab structures spanning elemental, binary, and ternary metallic compounds. We evaluate diverse architectural paradigms, analyzing their performance across chemical compositions, crystal systems, thickness, and surface orientations. Our results reveal that training data composition dominates architectural sophistication: models trained on the Open Materials 2024 (OMat24) dataset, which emphasizes non-equilibrium configurations, achieve mean absolute percentage errors below 6% and correctly identify the thermodynamically most stable surface terminations in 87% of cases, without any explicit surface energy training. In contrast, architecturally identical models trained on equilibrium-only datasets show five-fold higher errors, while models trained on surface-adsorbate data fail catastrophically with a 17-fold degradation. Remarkably, simpler architectures trained on appropriate data achieve comparable accuracy to complex transformers while offering 10-100x computational speedup. These findings show that the community should focus on strategic training data generation that captures the relevant physical phenomena.
• Abstract（参考訳）: 機械学習の原子間ポテンシャル(MLIP)は、量子力学的精度と古典的シミュレーション効率のギャップを埋めることによって、周期表を横断する材料特性の前例のない探索を可能にすることで、計算材料科学に革命をもたらした。 バルク特性の予測に顕著な成功にもかかわらず、これらの普遍的なMLIP(uMLIP)が破断エネルギー、破壊、触媒作用、表面安定性、界面現象をどの程度予測できるかの体系的な評価は行われていない。 本稿では, 従来確立されていた密度汎関数理論(DFT)データベースを用いて, 元素, 二元, 三元金属化合物にまたがる36,718個のスラブ構造の破壊エネルギー予測のための19種類の最新のUMLIPの総合的ベンチマークを示す。 化学組成, 結晶系, 厚み, 表面配向など, 様々なアーキテクチャのパラダイムを評価し, その性能を解析する。 非平衡構成を重視したOpen Materials 2024(OMat24)データセットでトレーニングしたモデルでは,6%以下の平均絶対値誤差を達成し,表面エネルギーの明示的なトレーニングを行なわずに,熱力学的に最も安定した表面項を87%のケースで正しく同定する。 対照的に、平衡のみのデータセットでトレーニングされたアーキテクチャ上同一のモデルは5倍のエラーを示し、表面吸着データでトレーニングされたモデルは17倍の劣化で破滅的に失敗する。 注目すべきは、適切なデータに基づいてトレーニングされたより単純なアーキテクチャは、10-100倍の計算スピードアップを提供しながら、複雑なトランスフォーマーに匹敵する精度を実現することだ。 これらの結果から,コミュニティは関連する物理的現象を捉えた戦略的トレーニングデータ生成に注力すべきであることが示唆された。

関連論文リスト

• BLIPs: Bayesian Learned Interatomic Potentials [47.73617239750485]
  機械学習原子間ポテンシャル(MLIP)は、シミュレーションベースの化学の中心的なツールになりつつある。 MLIPは、アクティブな学習パイプラインをガイドする基本となる、構築による不確実性推定を提供していない。 BLIPはスケーラブルでアーキテクチャに依存しない、トレーニングや微調整のためのベイズ的フレームワークである。
  論文  参考訳（メタデータ） (2025-08-19T17:28:14Z)
• Performance of universal machine-learned potentials with explicit long-range interactions in biomolecular simulations [21.340102594388348]
  普遍的な機械学習ポテンシャルは、構成的および振動的自由度間で伝達可能な精度を約束する。 この研究は、SPICE-v2データセットで訓練された均質なメッセージパッシングアーキテクチャを、明示的な長距離分散と静電効果なしで体系的に評価する。
  論文  参考訳（メタデータ） (2025-08-14T17:08:34Z)
• Evaluating Universal Machine Learning Force Fields Against Experimental Measurements [15.863801293927635]
  ユニバーサル機械学習力場(UMLFF)は、周期表を横断する素早い原子論シミュレーションを可能にすることによって、材料科学に革命をもたらすことを約束する。 ここでは, 1500の慎重に硬化した鉱物構造の実験的測定に対して, 実験結合性FFsを総合的に評価するためのフレームワークであるUniFFBenchについて述べる。 計算ベンチマークにおける印象的な性能を達成するモデルは、実験的な複雑さに直面すると、しばしば失敗する。
  論文  参考訳（メタデータ） (2025-08-07T18:21:39Z)
• Iterative Pretraining Framework for Interatomic Potentials [46.53683458224917]
  MLIPモデルの予測性能を向上させるために, 原子間ポテンシャルの反復事前学習(IPIP)を提案する。 IPIPは、反復訓練が最適な局所最小値に収束するのを防ぐための、忘れるメカニズムを組み込んでいる。 汎用力場と比較すると,Mo-S-Oシステムでは予測誤差が80%以上減少し,最大4倍の高速化を実現している。
  論文  参考訳（メタデータ） (2025-07-27T03:59:41Z)
• Spatiotemporal Field Generation Based on Hybrid Mamba-Transformer with Physics-informed Fine-tuning [46.67399627400437]
  この研究は、訓練されたモデルによる物理場の生成における物理方程式の相当な相違に直面する。 HMT-PFという名称の物理場生成モデルは、ハイブリッドのMamba-Transformerアーキテクチャに基づいて開発されている。
  論文  参考訳（メタデータ） (2025-05-16T14:40:56Z)
• Accurate, transferable, and verifiable machine-learned interatomic potentials for layered materials [0.0]
  ツイストされた層状バンダーワールス材料は、しばしば、非ツイストの材料に欠如しているユニークな電子的および光学的特性を示す。 本稿では、層内相互作用と層間相互作用を分離する、マシン学習型原子間ポテンシャルとデータセットキュレーション手法を提案する。 本手法は,様々な層内相互作用モデルや層間相互作用モデルとシームレスに統合し,モワール材料の計算的緩和を可能にする。
  論文  参考訳（メタデータ） (2025-03-19T17:14:02Z)
• Overcoming systematic softening in universal machine learning interatomic potentials by fine-tuning [3.321322648845526]
  機械学習原子間ポテンシャル(MLIP)は原子シミュレーションの新しいパラダイムを導入した。 近年,多種多様な資料データセットで事前学習したユニバーサルMLIP(uMLIP)が出現している。 分布外の複雑な原子環境に対する外挿性能はいまだに不明である。
  論文  参考訳（メタデータ） (2024-05-11T22:30:47Z)
• Accurate machine learning force fields via experimental and simulation data fusion [0.0]
  機械学習(ML)ベースの力場は、量子レベルの精度で古典的原子間ポテンシャルのスケールにまたがる能力のために、ますます関心が高まりつつある。 ここでは、密度汎関数理論(DFT)計算と実験的に測定された力学特性と格子パラメータの両方を活用して、チタンのMLポテンシャルを訓練する。 融合したデータ学習戦略は、全ての対象目標を同時に満たすことができ、結果として、単一のソースデータで訓練されたモデルと比較して高い精度の分子モデルが得られることを実証する。
  論文  参考訳（メタデータ） (2023-08-17T18:22:19Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)
• OrbNet: Deep Learning for Quantum Chemistry Using Symmetry-Adapted Atomic-Orbital Features [42.96944345045462]
  textscOrbNetは、学習効率と転送可能性の観点から、既存のメソッドよりも優れています。 薬物のような分子のデータセットに応用するために、textscOrbNetは1000倍以上の計算コストでDFTの化学的精度でエネルギーを予測する。
  論文  参考訳（メタデータ） (2020-07-15T22:38:41Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。