【儀表網 研發快訊】機器學習勢函數(MLP)在多相催化研究中通常依賴于“系統特定”的數據采樣，即圍繞特定催化劑結構與反應坐標構建數據集并進行分子動力學采樣。該方法易造成數據冗余與泛化通用能力不足，難以像密度泛函理論(DFT) 那樣對任意結構進行“所見即算”的通用計算。近日，上海科技大學物質科學與技術學院胡培君教授與謝聞博助理研究員提出了新一代元素基通用型機器學習勢函數(EMLP)的采樣和訓練方法。相關成果以“General reactive element-based machine learning potentials for heterogeneous catalysis”為題，發表在國際學術期刊《自然-催化》(Nature Catalysis)。
他們發展了一種勢函數訓練新方法(REICO)，通過算法生成并優化“小體系”，擺脫對特定結構與反應坐標的依賴，將采樣從“結構空間”轉向“原子相互作用空間”。此模型可在小體系中學習可遷移的原子間的相互作用并推廣至大體系，實現了接近 DFT 的通用預測，在多種催化反應中展現出與DFT一致的高精度，具備跨體系通用能力，為大規模復雜催化體系模擬提供了高效可靠的DFT替代方案，也為新一代大原子模型提供了新的訓練思路，推動機器學習勢函數從“專用”走向“通用”，在多相催化、材料、生物化學等領域具有廣闊應用前景。
圖1. EMLP 訓練流程。其中RECIO方法中完全擺脫結構空間，專注于原子間相互作用訓練集數據生成、元素基機器學習勢函數(EMLP)訓練流程以及訓練出的勢函數模型在多相催化中的應用。
圖2. EMLP可以廣泛應用在各種化學體系中，實現了氣固液多相體系的統一精確描述，超越了傳統機器學習勢函數的應用局限。EMLP不僅能準確預測多相催化反應，還能用于計算有機化學反應、表面動力學和溶液環境，展示了其真正的通用性。
上海科技大學物質學院胡培君課題組聯培研究生楊昌熙、吳辰宇，助理研究員謝聞博為共同第一作者。謝聞博、胡培君教授為共同通訊作者。
所有評論僅代表網友意見，與本站立場無關。