对应论文

ATLAS: A Foundation Neural Sampler for Amorphous Materials

视频简介

非晶材料具有优异的力学和功能性能,但其势能景观崎岖,传统分子动力学和蒙特卡洛方法在玻璃转变温度以下效率极低,数据驱动生成模型受限于稀少且有偏的参考系综。 本文提出ATLAS,一种基于扩散过程的神经网络采样器,直接从目标能量函数生成玻尔兹曼分布的非晶结构。该方法采用等变图神经网络参数化,可在系统尺寸、温度和成分间泛化,并利用扩散过程的时间反演高效估计热力学量和引导目标可观测量。 在二维Kob-Andersen系统中,ATLAS复现了并行回火马尔可夫链蒙特卡洛的结构分布、自由能和熵,在低温玻璃态区域自由能误差低于0.2%,能量评估次数减少500倍以上。在Cu-Zr和Cr-Co-Ni金属玻璃中,该方法恢复了实验短程序趋势,并能将结构引导至指定序参数和优化体模量。与大型语言模型代理结合,在八元素空间中搜索高熵金属玻璃,480次评估内收敛到帕累托前沿。 ATLAS为采样、引导和设计非晶材料建立了基础模型,显著降低了逆设计成本,并支持昂贵的通用机器学习势函数的采样。其局限性在于目前仅验证于非晶材料领域,尚未在更广泛的能量景观采样问题中测试。

外部视频链接

论文链接