MLP——机器学习力场库

Efficient and Flexible Machine Learning Potential Support

All science depends on past work. Machine Learning depends more than other science on previous work: it needs examples.

Michael Levitt, Nobel Laureate.

MedeA MLP（机器学习势函数）为基于LAMMPS的机器学习势函数模拟提供完整的MedeA支持，包括基于MedeA的对力学、振动和传输特性的综合模拟和结果分析。MedeA MLP包括一个已发布的机器学习势函数库，该库源自于LAMMPS支持的SNAP。当用于构建机器学习势函数的训练集能够较好地描述体系时，借助MedeA MLP的MedeA LAMMPS模拟通常得到与第一性原理方法得到的结果高度一致。

机器学习方法允许挖掘丰富的第一性原理数据集并将其用于插值和推测，这种技术在许多科学领域都产生了巨大的影响。在材料科学中，机器学习方法使得研究人员能够以合理的计算成本获得从头算方法的准确性和无偏差性，以满足长时间模拟和大规模系统的需要。

The foundations of machine learning potential simulations are descriptors which capture the details of an atom’s chemical environment within a defined cutoff radius. These descriptors are employed, via machine learning based training, to compute the energy of the complete system as a sum of atomic contributions. This image represents a set of atom based environment descriptors.

功能特点：
• 通过显着减少能量和力的计算时间，将从头算模拟结果扩展到更大的空间和时间尺度
• 有效利用已发表的机器学习势函数
• 自动处理文件和数据，以实现高效模拟
• 支持SNAP机器学习势函数形式
• 所有MedeA LAMMPS模拟都可以达到机器学习势函数的精度
• 可与机器学习势函数生成器（MedeA MLPG）一起使用，访问新生成的机器学习势函数
• 处理不同的原子几何结构，包括键的形成和断裂

用户界面：
• 导入MLP的.frc文件
• 自动分配原子类型分配
• 自动创建LAMMPS输入数据集

案例体系：
• Cu, Ge, Li, Mo, Ni, Si, Ta, W
• InP, Li3N, NbMoTaW, NiMo, WBe

所需模块：
• MedeA Environment
• MedeA LAMMPS


推荐模块：
• MedeA MLPG
• MedeA MT
• MedeA Phonon
• MedeA Diffusion
• MedeA Surface Tension
• MedeA Thermal Conductivity