随着人工智能的广泛应用和发展进步，材料领域的研究越来越注重计算模拟的效率与准确性。机器学习势（Machine-learning potential, MLP）作为一种结合了第一性原理计算精度和分子力场速度的方法，能够很好地满足需求。
3月28日，Materials Design® 原厂举办了钴的高精度机器学习势开发专题报告，报告人为Marthe Bideault。
本次报告首先介绍了MLP的优势和基本原理，随后讲解如何借助MedeA MLPG模块训练Co的MLP。报告人选择了q-SNAP架构进行MLP的训练，且从包含体相、表面、纳米团簇等结构的训练集中抽取10%作为验证集调整超参数，以防止欠拟合或过拟合。
为了确认MLP的准确性，计算了若干理化性质：不同温度和相的Co晶格参数、Co的声子色散、hcp/fcc相变温度、热膨胀系数和熔点等。计算晶格参数时，使用了MedeA VASP模块；计算声子性质时，借助了MedeA MD Phonon模块。
将MLP的计算结果与实验值或基于第一性原理或EAM力场计算结果进行对比，发现MLP的精度相比EAM力场更接近第一性原理，且能预测后者不擅长描述的缺陷特征。
随后，报告人展示了将MLP应用于Co纳米颗粒研究的成果，成功预测了稳定的纳米结构并计算顶点缺陷能，同时也模拟了两个纳米颗粒之间发生碰撞的动态过程。
考虑到纳米颗粒具有重要的催化作用，未来将会向训练集中加入非金属元素，以便将当前MLP的应用范围扩展到催化反应的模拟。
讲座观看方法
关注VASP中国官方公众号“源资科技VASP”；
菜单栏中点击“快捷通道”找到“源资课堂”；
点击“直播讲座”中的 "原厂讲座”，即可免费观看。
相关推荐：（点击可查看）
