近期，南方科技大学材料科学与工程系讲席教授张文清团队在面向复杂体系模拟的机器学习势函数开发、高效数据集采样方法、有机聚合物功能材料的基元化表示方法及新材料设计筛选、无机微波介质介电性质机器学习等AI4Materials研究领域取得一系列研究进展华锋优配网，相继在Proc. Natl. Acad. Sci.、Phys. Rev. B、npj Comput. Mater.、J. Chem. Theory Comput.等期刊上发表系列论文成果。
利用机器学习方法构建原子间相互作用的势能面（PES）已成为材料设计与模拟领域的重要手段。尽管在诸多领域取得了显著成就，但由于其纯粹的“自下而上”的特性，机器学习原子间势函数（MLIP）在通用性和物理可扩展性方面仍存在固有的局限性。为应对这些挑战，张文清教授团队构建了一种具有全局标度物理约束和超线性表达能力的MLIP模型（SUS2-MLIP）。该框架创新性地将普适状态方程（Universal Equation of State，UEOS）内含的全局性标度作为与对称性约束等同的基本物理约束引入势函数模型架构（图1）。基于UEOS所内含的所有材料系统中归一化内聚能与体积变化普遍关系的普适特征，SUS2-MLIP具有内禀的物理可扩展性。这种将基础物理规律融入架构的设计体现了“自上而下”的理念：如同等变神经网络内在的遵守物理对称性，SUS2-MLIP则直接将材料的全局标度行为嵌入其核心结构。这一工作不仅将参数空间压缩了数个量级，更显著提升了模型在多元素与多尺度模拟中的泛化能力。
图1 群论严格证明了势能面在E(3)欧几里得群操作下保持不变；而普适状态方程（UEOS）揭示了更深层的规律——无论元素组成如何，所有原子间相互作用都可在标度化坐标空间中统一表征。
研究团队对SUS2-MLIP进行了全面、系统的评估，涵盖通用基准测试与实际应用场景。坐标空间与元素空间的解耦在一定程度上缓解了参数维度灾难的问题（图2左）。基准测试表明，即使在参数量低两到三个数量级的情况下，SUS2-MLIP的预测准确度仍能与更复杂的网络模型媲美（图2右）
图2 模型参数量v.s.元素种类；SUS2-MLIP与其它复杂网络模型的精度对比
而实际应用场景中SUS2-MLIP同样表现出色。基于SUS2-MLIP模型，研究团队成功开发了适用于半哈斯勒（Half-Hassler, HH）体系的通用势函数，并实现了对声子输运行为的精确模拟（图3左）。此外，在硫化物固态电解质体系的离子扩散模拟研究中，SUS2-MLIP展现出了与DPA-2高度一致的精确模拟结果，充分验证了其在复杂体系预测中的可靠性和准确性。更重要的是，与采用A100显卡的DPA-2相比，仅依赖CPU运行的SUS2-MLIP在模拟效率方面展现出显著优势，其效率提升了5至6倍（图3右）。这意味着利用常规计算资源进行超大规模模拟成为可能。
图3 SUS2-MLIP与DFT热导率预测对比；SUS2-MLIP与DPA-2模型效率对比，在测试中，DPA-2 模型在1块配备80GB显存的 NVIDIA-A100上运行，而SUS2-MLIP 模型则在2*Intel(R) Xeon(R) Gold 6338 CPU上运行。当模拟原子的数量达到 72600时，NVIDIA-A100出现显存不足的情况。
该研究展示了将“自上而下”的物理约束与“自下而上”的机器学习相结合，开发更强大、更易解释且更具扩展性计算工具的潜力，为基于物理信息的MLIP模型设计提供了全新视角。该研究成果以“Global Universal Scaling and Ultra-Small Parameterization in Machine Learning Interatomic Potentials with Super-Linearity”为题发表在Proc. Natl. Acad. Sci.(PNAS）上。张文清课题组博士生胡晏箫、博士后盛晔为该论文共同第一作者，张文清为通讯作者，南科大为唯一通讯单位。
同时，针对机器学习原子间势函数（MLIP）依赖高质量数据的瓶颈，团队提出“双重自适应采样（DAS）”等方法，精准构建数据集并筛选外推构型和捕捉化学键的差异化响应。基于DAS构建的MLIP模型在系列材料热输运模拟中展现卓越的稳健性，并成功构建了更复杂的“半晶半液”如Cu2-xSe体系宽温区的高质量训练数据集，开发MLIP模型成功预测了Cu原子扩散系数并准确评估了材料的热导率，相关成果以“Dual adaptive sampling and machine learning interatomic potentials for modeling materials with chemical bond hierarchy”、“Atomic potential energy uncertainty in machine-learning interatomic potentials and thermal transport in solids with atomic diffusion.”为题均发表于Phys. Rev. B上。进一步与上海大学杨炯教授团队合作建立了包含54种元素的HH化合物的标准化MLIP数据库HH130，并公开在团队数据库平台MatHub-3d，支持批量计算半哈斯勒化合物在三/四声子作用下的晶格热导率，揭示了原子相互作用与热输运的复杂关系，成果以“a standardized database of machine learning interatomic potentials, datasets, and its applications in the thermal transport of half-Heusler thermoelectrics.”为题发表于Digit. Discov.。
此外，张文清团队围绕有机聚合物的AI设计研究华锋优配网，提出“聚合基元”概念并发展了两种新型结构基元化表示方法：通过one-hot向量表征聚合物结构中基元类型与数量的聚合基元分子指纹（PUFp），以及以节点/边分别表达基元属性与连接关系的聚合基元图（PU-Graph），可以实现基于基元的材料宏观性能预测和定量分析。相关研究成果分别以“Polymer-Unit Fingerprint (PUFp): An Accessible Expression of Polymer Organic Semiconductors for Machine Learning. ”、“Advancing organic photovoltaic materials by machine learning-driven design with polymer-unit fingerprints.”、“Polymer-Unit Graph: Advancing Interpretability in Graph Neural Network Machine Learning for Organic Polymer Semiconductor Materials.” 发表于ACS Appl. Mater. Interfaces、npj Comput. Mater.和J. Chem. Theory Comput.。前沿与交叉科学研究院研究副教授叶财超为该系列论文的共同通讯作者。
在无机微波介质介电性质的AI研究中，团队通过SISSO构建了介电常数预测“白盒”模型成果以“Interpretable model of dielectric constant for rational design of microwave dielectric materials: a machine learning study.”为题发表于J. Mater. Inf.，为理性设计介质材料提供参考，材料科学与工程系研究助理教授吴亚北为该研究的共同通讯作者。
上述系列研究工作得到了国家自然科学基金重大集成项目、重点项目、国家重点研发计划、广创团队、广东省计算科学与新材料设计重点实验室、以及南方科技大学科学与工程计算中心等项目和单位的支持。
系列成果链接：
PNAS：
https://doi.org/10.1073/pnas.2503439122
SUS2-MLIP软件地址：
https://github.com/hu-yanxiao/SUS2-MLIP
Phys. Rev. B：
https://doi.org/10.1103/PhysRevB.104.094310
https://doi.org/10.1103/PhysRevB.108.014108
DAS软件地址：
https://github.com/hlyang1992/das
Digit. Discov.：
https://doi.org/10.1039/D4DD00240G
HH130数据库地址：
http://www.mathub3d.net/materials/matdb
ACS Appl. Mater. Interfaces：
https://doi.org/10.1021/acsami.3c03298
npj Comput. Mater.：
https://doi.org/10.1038/s41524-025-01608-3
J. Chem. Theory Comput.：
https://doi.org/10.1021/acs.jctc.3c01385
J. Mater. Inf.：
https://www.oaepublish.com/articles/jmi.2024.75
鸿岳资本配资提示：文章来自网络，不代表本站观点。
沪深京指数
热点资讯
推荐资讯