This file contains the machine-learned force field, necessary for prediction-only mode (ML_MODE = run). Its format is identical to the ML_FFN file written out during training, for further details please have a look at the documentation there.

On-the-fly training is based on molecular-dynamics (MD) simulations to sample training structures. Piece by piece a data set is automatically assembled and used to generate an MLFF whenever feasible. Conversely, at each time step the current force field predicts energy, forces and the corresponding Bayesian error estimations.

机器学习力场（ML-FFs）可以进行接近从头算精度的模拟，但是模拟体系的尺寸和动态模拟时间尺度则大大超过了从头算，更接近真实情况。 使用 QuantumATK 中的机器学习力场功能可以生成新颖的晶体和 非晶材料 、合金、界面和多层堆叠的真实的复杂结构，模拟热性能和机械性能、扩散和表面过程。 用户可以使用预先训练的机器学习力场库，或使用自动化、高效的训练和仿真工作流程开发新的机器学习力场。 QuantumATK 计算模拟引擎能够在一个平台上使用多种模拟方法 …

2022年11月3日 · 官方宣称在从头算分子动力学模拟中引入on-the-fly机器学习力场将会显著降低模拟时间。 本文将对VASP官方文档中新增机器学习力场进行介绍。 想直接看实操视频的同学可以关注B站up主‘冬夜秋雾’的 视频。 或者 官方文档的算例. 分子动力学是研究材料动力学性质的重要方法。 分子动力学 模型 的精度严重依赖计算方法，高精度的结果常常以高计算成本为代价。 从头算分子动力学方法具有高精度的优势，原因在于原子间的相互作用是通过从头算方法计算的，例 …

Generating a machine learning force field for liquid Si. For this tutorial, we expect that the user is already familiar with running conventional ab initio molecular dynamic calculations. In this example we start from a 64 atom super cell of diamond-fcc Si (the same as in Liquid Si - Standard MD): 5.43090000000000.

2023年11月9日 · 为了大幅提高模拟速度，该例子利用即时机器学习技术（on-the-fly machine learning）。 大部分基于第一性原理的步骤将被非常快速的力场替代。 在相当于30 ps的10000步弛豫后，得到了CONTCAR文件，用于后续ML模拟所需的初始结构文件。 机器学习主要输出文件包括： ML_ABN. 包含用于学习的基于第一性原理结构数据集。 在后续运行中将作为ML_AB使用。 ML_FFN. 包含回归结果（权重、参数等）。 在后续运行中将作为ML_FF使用。 ML_LOGFILE. …

2023年9月26日 · VASP 6.3 之后推出了机器学习力场 Machine Learning Force Field，可以用跑 AIMD 过程中产生的结构和力来训练该结构对应的力场。 但是，我对这方面的应用感到有点疑惑，不太清楚这个力场的用途。 它可以应用哪些之后的计算中呢？ （1）是否可以用上述原胞的 AIMD 获得的力场来进一步优化超胞的结构？ （2）是否可以用上述原胞的 AIMD 获得的力场来来优化表面的结构？ （3）是否可以用上述原胞的 AIMD 获得的力场来跑超胞的 AIMD？ 还有哪 …

2023年4月10日 · ml力场通过应用核方法和神经网络等表达式回归器，从数据中学习势能表面（pes），以保持原子环境的对称性表示。 现有的ML力场的基准大多集中在力/能量预测上，以小分子体系最为典型。

机器学习力场 (Machine learning force fields，MLFFs)旨在寻找输入 (化学描述符)和输出 (性质)之间的函数关系，而不需要求解任何约束结构与性质关系的 物理定律 的方程。 与传统力场不同之处在于MLFFs不依赖于任何化学键的概念，这意味着允许MLFFs纯粹从原子角度出发对重要的相互作用建立模型而不需要对原子间势进行任何分析。 封闭的物理系统受到各种描述不变性质的物理定律的约束，这些不变性可以作为寻找物理上合理的机器学习模型的指导原则，这些不变性包括能 …

2024年5月22日 · The new Machine Learning Force field (ML-FF) within VASP allows for the on-the-fly generation of force fields from AIMD trajectories. In total, four different calculation modes are available: On-the-fly training ( here ): Generate a new training set and a force field.