論文の概要: SoLiD26: A First Principles Solid-Liquid Interface Dataset for Machine-learned Interatomic Potentials

• arxiv url: http://arxiv.org/abs/2609.28013v1
• Date: Wed, 23 Sep 2026 12:36:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:18.018772
• Title: SoLiD26: A First Principles Solid-Liquid Interface Dataset for Machine-learned Interatomic Potentials
• Title（参考訳）: SoLiD26: 機械学習型原子間ポテンシャルのための第一原理の固液界面データセット
• Abstract要約: SoLiD26は固液界面データセットである。 154万個の第一原理原子構造を持ち、最大576個の原子と15個の化学元素がMLIPを訓練し評価する。 このデータセットは、構造的および化学的に不均一な固液界面のためのMLIPの開発とベンチマークを可能にする。
• 参考スコア（独自算出の注目度）: 2.9989477477315396
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine-learned interatomic potentials (MLIPs) for solid-liquid interfaces in advanced materials applications, e.g., electrochemistry, catalysis and corrosion, require training data that samples both liquid environments, the solid and the interface itself. We present SoLiD26, a curated solid-liquid interface dataset, containing 15.4 million first-principles atomic structures with up to 576 atoms and 15 chemical elements for training and evaluating MLIPs. The structures were compiled from density functional theory (DFT) calculations performed in studies of solid-liquid interfaces, with most configurations originating from ab initio molecular dynamics (AIMD) simulations. Each record contains atomic species, positions, simulation cell, periodic boundary conditions, potential energy and atomic forces. SoLiD26 includes aqueous coinage metal interfaces, electrode-electrolyte systems, and selected bulk reference structures, calculated with VASP using the PBE functional and D3 dispersion corrections. We describe the data ingestion and preparation pipeline used to construct the dataset. The application of SoLiD26 for training and evaluating MLIPs is demonstrated with a suite of MACE models on a simple training, validation and test split. The dataset enables development and benchmarking of MLIPs for structurally and chemically heterogeneous solid-liquid interfaces.
• Abstract（参考訳）: 固液界面のための機械学習型原子間ポテンシャル(MLIP)は、例えば、電気化学、触媒、腐食といった先進的な材料応用において、液体環境、固体および界面自体をサンプリングする訓練データを必要とする。 576個の原子と15個の化学元素を含む154万個の第一原理原子構造を含む固液界面データセットであるSoLiD26を提案する。 これらの構造は、固体-液体界面の研究で実行される密度汎関数理論 (DFT) の計算からコンパイルされ、ほとんどの構成は、ab initio molecular dynamics (AIMD) シミュレーションに由来する。 各記録には原子種、位置、シミュレーションセル、周期境界条件、ポテンシャルエネルギー、原子力が含まれる。 SoLiD26は、PBE関数とD3分散補正を用いてVASPで計算された、水銀金属界面、電極電解質系、選択されたバルク参照構造を含む。 データセット構築に使用するデータ取り込みと準備パイプラインについて述べる。 SoLiD26のMLIPのトレーニングおよび評価への応用は、単純なトレーニング、検証、テスト分割に関する一連のMACEモデルで実証されている。 このデータセットは、構造的および化学的に不均一な固液界面のためのMLIPの開発とベンチマークを可能にする。

関連論文リスト

• Distilling latent electrostatics from foundation machine learning interatomic potentials [4.208220582996209]
  Latent Ewald Summation (LES) は密度汎関数理論エネルギーと力ラベルのみから潜時原子電荷と長距離静電エネルギーを学習する。 UMA, MACE, Orb, eSEN, GemNet-OC, PET, EquiformerV2など,幅広い基礎MLIPから抽出した学生モデルのベンチマークを行った。 LESに基づく蒸留は、基礎MLIPを効率よく電気応答性のあるモデルに変換するための実用的な経路を提供する。
  論文  参考訳（メタデータ） (2026-06-12T22:45:20Z)
• Zatom-1: A Multimodal Flow Foundation Model for 3D Molecules and Materials [51.342983349686556]
  汎用的な3Dケミカルモデリングは分子や材料を含み、生成能力と予測能力の両方を必要とする。 Zatom-1は、3D分子や材料の生成的および予測的学習を統一する、エンド・ツー・エンドの完全なオープンソース基盤モデルである。
  論文  参考訳（メタデータ） (2026-02-24T20:52:39Z)
• Phys-Liquid: A Physics-Informed Dataset for Estimating 3D Geometry and Volume of Transparent Deformable Liquids [47.96212902310787]
  透明な変形可能な液体の幾何学的および体積的特性の推定は、光学的複雑さと容器運動によって引き起こされる動的表面変形により困難である。 97,200個のシミュレーション画像とそれに対応する3Dメッシュからなる物理インフォームドデータセットであるPhys-Liquidを紹介する。 実験の結果, 液体形状と体積の再構成における精度と整合性が向上し, 既存のベンチマークより優れていた。
  論文  参考訳（メタデータ） (2025-11-14T08:50:58Z)
• Ensemble Knowledge Distillation for Machine Learning Interatomic Potentials [34.82692226532414]
  機械学習の原子間ポテンシャル(MLIP)を改善するためのアンサンブル知識蒸留法(EKD)を提案する。 まず、複数の教師モデルはQCエネルギーに訓練され、次にデータセットのすべての構成に対して原子力を生成する。次に、学生MLIPは、教師モデルによって生成されたQCエネルギーと平均的な力の両方に訓練される。 得られた学生MLIPは、Compum6ベンチマークで新しい最先端の精度を達成し、分子動力学シミュレーションの安定性の向上を示す。
  論文  参考訳（メタデータ） (2025-03-18T14:32:51Z)
• Materials Learning Algorithms (MALA): Scalable Machine Learning for Electronic Structure Calculations in Large-Scale Atomistic Simulations [2.04071520659173]
  本稿では,大規模原子論シミュレーションに適したスケーラブルな機械学習フレームワークであるMaterial Learning Algorithms (MALA)パッケージを提案する。 MALAモデルは、状態の局所密度、電子密度、状態の密度、総エネルギーを含む重要な電子観測物を効率的に予測する。 我々は, ホウ素クラスター, 固液相境界を横切るアルミニウム, 大型ベリリウムスラブの積層断層の電子構造を予測した例でMALAの機能を示す。
  論文  参考訳（メタデータ） (2024-11-29T11:10:29Z)
• Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
  本稿では, イオン伝導体の迅速かつ信頼性の高いスクリーニング手法として, 普遍的な原子間ポテンシャルの解析手法を提案する。 第一原理計算では,10種中8種が室温で超イオン性であることが確認された。 本手法は, 機械学習電位によって駆動される分子動力学と比較して約50倍の高速化係数を達成し, 第一原理分子動力学に比べて少なくとも3,000倍高速である。
  論文  参考訳（メタデータ） (2024-11-11T09:01:36Z)
• Multi-task learning for molecular electronic structure approaching coupled-cluster accuracy [9.81014501502049]
  金標準CCSD(T)計算をトレーニングデータとして,有機分子の電子構造を統一した機械学習手法を開発した。 炭化水素分子を用いたモデルでは, 計算コストと様々な量子化学特性の予測精度において, 広範に用いられているハイブリッド関数と二重ハイブリッド関数でDFTより優れていた。
  論文  参考訳（メタデータ） (2024-05-09T19:51:27Z)
• Molecular Geometry-aware Transformer for accurate 3D Atomic System modeling [51.83761266429285]
  本稿では,ノード(原子)とエッジ(結合と非結合の原子対)を入力とし,それらの相互作用をモデル化するトランスフォーマーアーキテクチャを提案する。 MoleformerはOC20の緩和エネルギー予測の初期状態の最先端を実現し、QM9では量子化学特性の予測に非常に競争力がある。
  論文  参考訳（メタデータ） (2023-02-02T03:49:57Z)
• 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)

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。