Systematic fine-tuning of MACE interatomic potentials for catalysis

催化作用 双金属片 氧化物 分子动力学 材料科学 放松(心理学) 金属 化学 氢 物理化学 铱 原子间势 Atom(片上系统) 化学物理 丙烷 计算化学 热力学 尼亚尔 估计员
作者
Nima Karimitari,Gábor Cśanyi,Derek Vigil‐Fowler,Ravishankar Sundararaman,Gábor Cśanyi,Christopher Sutton
出处
期刊:npj computational materials [Nature Portfolio]
被引量:2
标识
DOI:10.1038/s41524-026-02335-z
摘要

Abstract Once trained, machine-learned interatomic potentials (MLIPs) offer a fast and accurate way to investigate catalytic reaction pathways, but their performance depends strongly on training-set design. We compared nine MLIPs developed using from-scratch (FS) training and fine-tuning (FT) of foundation models. The models were evaluated on reaction energies ( E r ) and activation barriers ( E a ) for 141 reactions, including CO 2 RR to C 2 /C 3 products, propane dehydrogenation, hydrogen intercalation on Pd, and out-of-distribution OER on metal oxides. The FS models containing 5–10% perturbed, high-energy configurations from molecular dynamics or contour exploration reduced errors by more than twofold relative to models trained only on relaxation trajectories. However, FT models were less sensitive to sampling and generalized better to out-of-distribution chemistry. For example, the FT model fine-tuned on metallic catalysts achieved an MAE of 0.30 eV for OER on iridium oxide polymorphs, while the FT model fine-tuned on metal-oxides gave an E a of 0.19 eV for CO 2 RR on Cu. The best model, fine-tuned on 49,860 configurations, performed consistently across metallic and oxide catalysts and screened 90,781 bimetallic alloys with a reaction-energy MAE of 0.15 eV, including unseen high-index surfaces. These results identify the necessary training set configurations for training transferable catalytic MLIPs.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
1秒前
1秒前
华仔的应助被秾晓豆采纳,获得10
1秒前
suan完成签到,获得积分10
1秒前
2秒前
2秒前
2秒前
养只缅因发布了新的文献求助10
2秒前
hyxu678完成签到,获得积分0
3秒前
3秒前
molihuakai的应助被Jesse采纳,获得10
3秒前
4秒前
Neve发布了新的文献求助10
4秒前
4秒前
星光完成签到 ,获得积分10
4秒前
5秒前
Ava的应助被天天开心采纳,获得10
5秒前
5秒前
5秒前
神勇从波发布了新的文献求助10
5秒前
xiuqing董完成签到,获得积分10
5秒前
5秒前
5秒前
paradise发布了新的文献求助10
5秒前
Grin发布了新的文献求助10
5秒前
霸气的大白完成签到 ,获得积分10
5秒前
庄二豆完成签到,获得积分10
6秒前
搜集达人的应助被ONE采纳,获得10
6秒前
6秒前
orange完成签到,获得积分10
6秒前
7秒前
7秒前
7秒前
马志海发布了新的文献求助10
7秒前
荔枝完成签到,获得积分10
8秒前
fengwei完成签到,获得积分10
9秒前
yyj完成签到,获得积分10
9秒前
庄二豆发布了新的文献求助10
9秒前
壮壮发布了新的文献求助20
9秒前
9秒前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 1500
The World Atlas of Wine 9th edition 1000
奈特基础组织学:配套组织病理学(第4版)(Netter's Essential Histology With Correlated Histopathology) 800
John McDowells Bildungstheorie 800
八旗制度の研究 600
Analyses de reconnaissances de dettes passées devant les échevins d'Ypres (1249-1291) 600
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8162755
求助须知:如何正确求助?哪些是违规求助? 9557016
关于积分的说明 21737907
捐赠科研通 7753093
什么是DOI,文献DOI怎么找? 3427901
关于科研通互助平台的介绍 2552719
邀请新用户注册赠送积分活动 2472528