微軟在 GitHub 上發布了 MatterSimV1-1M 和 MatterSimV1-5M，這是材料科學領域的尖端模型，提供針對不同元素、溫度和壓力的深度學習原子模型，能夠進行精確的模擬。這些模型旨在高效預測材料性質和進行原子模擬，承諾以前所未有的速度和準確性改變這個領域。MatterSim 模型作為機器學習的力場，讓研究人員能夠在現實的熱力學條件下模擬和預測材料的性質，例如高達 5000 K 的溫度和 1000 GPa 的壓力。這些模型在數百萬次的第一性原理計算上進行訓練，提供了從晶格動力學到相穩定性等各種材料性質的見解。
材料的發現和設計過程通常很慢，且昂貴的實驗方法主導了試錯過程。MatterSim 模型提供了一種計算機模擬的替代方案，加速了材料性質的預測和分析。深度學習填補了傳統方法如密度泛函理論 (DFT) 的空白，提供更快且相對準確的結果。MatterSim 模型已積極開發，以模擬不同條件下的材料。MatterSimV1-1M 在一百萬個數據點上進行訓練，優化為通用模擬。MatterSimV1-5M 則在五百萬個數據點上訓練，提供對複雜材料和精細配置的更高準確性。
MatterSim 模型能準確預測吉布斯自由能、機械行為和相變化等性質。與之前的最佳模型相比，它在預測精度上提高了十倍，平均絕對誤差 (MAE) 低至 36 meV/atom，涵蓋了廣泛的溫度和壓力範圍。這個模型的一個突出特點是它能以接近第一性原理的準確性預測溫度和壓力依賴的性質。例如，它能準確預測各種無機固體的吉布斯自由能，並以最低的計算成本計算相圖。該模型的架構整合了先進的深度圖神經網絡和不確定性感知取樣，確保了強大的泛化能力。通過主動學習，MatterSim 模型不斷豐富其數據集，捕捉材料設計空間中未被充分代表的區域。
MatterSimV1-1M 和 MatterSimV1-5M 模型在多個應用中表現優異：
- 材料設計：預測基態材料結構和能量，幫助研究人員發現和改進具有特定性質的材料。
- 熱力學和相穩定性：計算吉布斯自由能和相圖，能有效分析材料在不同條件下的穩定性。
- 機械性質：MatterSim 準確預測如體模量等性質，為工程應用提供重要見解。
- 聲子預測：模擬晶格振動，這對理解熱導率和動態穩定性至關重要。
- 分子動力學：MatterSim 是第一性原理方法的可靠替代品，能在極端的溫度和壓力下模擬材料。
MatterSim 模型也可以作為定制平台。研究人員可以使用特定領域的數據對模型進行微調，將數據需求減少多達 97%。例如，對 MatterSim 模型進行水的模擬微調，只需要 3% 的數據，而訓練一個類似模型所需的數據量要多得多。
MatterSim 模型在像 MPF-TP 這樣的數據集上超越了通用力場，在預測材料的能量、力和應力方面達到了更高的準確性。該模型在 118 種不同系統中模擬分子動力學的能力凸顯了其穩健性和適應性。對於需要高精度的應用，MatterSimV1-5M 提供了卓越的結果。該模型在涉及高溫和高壓的模擬中保持超過 90% 的成功率，即使在極端條件下也顯示出穩健性。該模型在 1700 萬個結構的龐大數據集上進行預訓練，確保了廣泛的組成和配置覆蓋。這種廣泛的訓練使 MatterSim 在材料發現等任務中表現出色，能識別出數千種在現有數據庫中不存在的穩定結構。
總之，MatterSimV1-1M 和 MatterSimV1-5M 將第一性原理方法的精確性與機器學習的效率結合在一起。這些模型使研究人員能以前所未有的準確性和速度模擬和預測材料性質。從材料發現到相圖構建，MatterSim 模型使科學家能夠應對複雜的材料設計和工程挑戰。研究人員可以在 GitHub 上訪問這些模型，利用這一尖端工具加速發現和原子模擬的可能性。
請查看 GitHub 頁面和論文。所有的研究成果都歸功於這個項目的研究人員。此外，別忘了在 Twitter 上關注我們，加入我們的 Telegram 頻道和 LinkedIn 群組。如果你喜歡我們的工作，你一定會喜歡我們的電子報。別忘了加入我們的 60k+ ML SubReddit。
🚨 [必參加的網路研討會]：‘將概念驗證轉化為生產就緒的 AI 應用和代理’（推廣）
新聞來源
本文由 AI 台灣 使用 AI 編撰，內容僅供參考，請自行進行事實查核。加入 AI TAIWAN Google News，隨時掌握最新 AI 資訊！
