机器学习势（MLP）的功能形式灵活，可与大量拟合参数结合使用，因此展现出远超传统多体势的准确性。然而，当前缺乏适用于广泛元素及其合金的通用MLP。近日，宿彦京教授团队与合作者提出了一种新的方法，用于为多种元素构建统一的通用MLP，并结合神经演化势（NEP）等算法实现高精度高效率计算，相关研究成果以“General-purpose machine-learned potential for 16 elemental metals and their alloys”为题，发表在Nature Communications上。

图 NEP4模型和训练算法示意图

对于大规模经典原子模拟，现有的经典原子间势往往缺乏许多应用所需的精度。最近，基于机器学习（ML）技术出现了一种开发原子间势的范式，与传统的多体势相比，这些MLP可以提供更多的拟合参数，并提供多功能性，因而展现出远超传统多体势的精度水平，但仍然缺乏适合于多种元素及其合金的通用性。

本文作者提出了一种新的方法，用于为多种元素构建统一的通用MLP，并通过16种单质金属（Ag、Al、Au、Cr、Cu、Mg、Mo、Ni、Pb、Pd、Pt、Ta、Ti、V、W、Zr）及其合金的模型（UNEP-v1）进行了演示。为了实现化学空间的完整表示，通过主成分分析和各种测试数据集表明，使用单组分和双组分系统就足够了。与广泛使用的嵌入式原子方法相比，统一UNEP-v1模型在各种物理性质上表现出卓越的性能，同时保持了显著的效率。通过再现实验观察到的化学序和稳定相，以及大规模模拟MoTaVW难熔高熵合金的机械变形和初级辐射损伤，证明了该方法的有效性。