[论文解读] NEP89: Universal neuroevolution potential for inorganic and organic materials across 89 elements

Ting Liang, Ke Xu+17 more|ArXiv.org|Apr 30, 2025

Machine Learning in Materials Science被引用 6

一句话总结

NEP89 是一个覆盖无机和有机材料中 89 种元素的基础机器学习势，在接近第一性原理的准确性与经验势的高效性之间实现折中，并能够进行大规模分子动力学模拟和针对用户特定应用的微调。

ABSTRACT

While machine-learned interatomic potentials offer near-quantum-mechanical accuracy for atomistic simulations, many are material-specific or computationally intensive, limiting their broader use. Here we introduce NEP89, a foundation model based on neuroevolution potential architecture, delivering empirical-potential-like speed and high accuracy across 89 elements. A compact yet comprehensive training dataset covering inorganic and organic materials was curated through descriptor-space subsampling and iterative refinement across multiple datasets. NEP89 achieves competitive accuracy compared to representative foundation models while being three to four orders of magnitude more computationally efficient, enabling previously impractical large-scale atomistic simulations of inorganic and organic systems. In addition to its out-of-the-box applicability to diverse scenarios, including million-atom-scale compression of compositionally complex alloys, ion diffusion in solid-state electrolytes and water, rocksalt dissolution, methane combustion, and protein-ligand dynamics, NEP89 also supports fine-tuning for rapid adaptation to user-specific applications, such as mechanical, thermal, structural, and spectral properties of two-dimensional materials, metallic glasses, and organic crystals.

研究动机与目标

• 旨在开发覆盖无机与有机材料的 89 种元素的通用原子间势。
• 整理并协调多种公开数据集以训练一个统一模型。
• 在保持与现有基础模型竞争性精度的同时，显著提升计算效率。
• 展示开箱即用的大规模分子动力学能力以及针对专门应用的微调能力。

提出的方法

• 采用以原子为中心的描述符，基于切比雪夫多项式和勒让德多项式构建的 NEP 架构。
• 使用可分离的自然进化策略训练一个只有一隐层的神经网络。
• 通过径向函数展开来编码物种，使用独立的系数集和每个物种的网络参数。
• 迭代地整理并平衡来自多个公开数据集的多样化训练集，在需要时添加 D3 色散校正。
• 在不同数据集之间调整参考能量，以实现统一的单任务训练结果。

实验结果

研究问题

• RQ1 单一的原子间势模型是否能够在 89 种元素上同时准确描述无机材料和有机材料？
• RQ2 与其他基础模型相比，NEP89 在静态性质基准中的表现如何？
• RQ3 NEP89 是否能够高效进行大规模分子动力学模拟并针对专门任务进行微调？
• RQ4 来自多个公开来源的统一训练数据集是否能够为广泛的化学空间提供可靠的能量、力和应力？
• RQ5 对特定材料或性质进行微调以提升精度的潜力有多大？

主要发现

• 相对于其他基础模型，NEP89 在多项静态性质基准测试中取得具有竞争力的精度。
• 该模型在含 20 种元素的合金方面，相较于同类模型实现了 3-4 个数量级的加速和内存效率提升，能够进行更大规模的模拟。
• NEP89 复现了关键的动力学性质，如非晶碳中的成键统计以及水和固态电解质的结构/动力学特征。
• 使用 NEP89 的开箱即用大规模 MD 在多种体系中与实验和第一性原理分子动力学（AIMD）定性一致，包括多组分合金、甲烷燃烧以及蛋白质-配体相互作用。
• 用少量数据集对 NEP89 进行微调，在特定材料上如 MoSi2N4 的实验结果显著改善，并可用于针对目标性质定制模型。