npj Computational Materials· Yidong Huang·· 9 天前AI 评分56
图神经网络对齐异构 DFT 数据:跨泛函形成能误差降至 14.3 meV/atom
Aligning heterogeneous DFT datasets: a graph neural network approach to cross-functional formation energies
AI 导读
中国科学院的作者团队发表研究,用 380,190 条结构配对的 PBE–r2SCAN 数据训练结构感知图神经网络,把 PBE 形成能转换为接近 r2SCAN 精度,平均绝对误差为 14.3 meV/atom,CHGNet 为 18.2 meV/atom。
- 背景
- 不同 DFT 计算设置会带来系统性形成能偏差:交换关联泛函、动能截断、赝势与色散修正的选择不同,同一结构的能量可相差几十到几百 meV/atom;MatPES 数据集中 PBE 与 r2SCAN 的平均能量差达 107 meV/atom。这种依赖方法的差异妨碍了多来源 DFT 数据的整合。
- 做法
- 作者采用基于图的迁移学习,利用 MatPES 数据库中 380,190 条结构配对的 PBE–r2SCAN 条目,训练一个结构感知图神经网络来预测跨泛函能量残差,从而对齐不一致的 DFT 能量标度。模型沿用 GPTFF 架构。
- 结论
- 模型把常规 PBE 能量转换到 r2SCAN 级精度,平均绝对误差为 14.3 meV/atom,对比之下 CHGNet 为 18.2 meV/atom。作者称这一路径可将大规模既有 PBE 数据集升级到高精度 r2SCAN 标准,并支持相稳定性、电池电压曲线与反应热力学的可靠预测。
- 意义
- 该工作针对多源 DFT 数据难以合并的障碍,提供了一条对齐能量标度的迁移学习路径,使不同泛函来源的数据可在同一尺度上整合,用于训练材料基础模型。摘要未展开模型在具体化学体系上的泛化边界与适用范围。
本页是 AI 精读,不转载论文原文;完整论文(含方法、图表与参考文献)见原文
来源:npj Computational Materials · nature.com