Adapting OC20-trained EquiformerV2 Models for High-Entropy Materials

计算高通量研究，特别是高熵材料和催化剂的研究，受到高维组成空间和无数结构微状态的限制。它们对密度泛函理论计算的常规使用构成瓶颈，因此，机器学习势在原子结构模拟中的应用越来越普遍。在这篇文章中，我们展示了调整和微调Open Catalyst Project的预训练EquiformerV2模型的结果，以推断出域外高熵合金Ag-Ir-Pd-Pt-Ru上*OH和*O的吸附能。通过应用基于结合位点的局部环境的能量过滤器，零样本推理得到了显着改进，并通过少量微调使模型产生了最先进的准确性。还发现，EquiformerV2作为通用机器学习势的角色，能够为更小、更专注的直接推理模型提供信息。这种知识蒸馏设置提高了复杂结合位点的性能。总的来说，这表明从有序的金属间化合物结构中学习的基础知识可以外推到固溶体的高度无序的结构。通过这些模型的大大加速的计算吞吐量，高熵材料领域中迄今为止不可行的研究现在变得容易访问。

论文旨在解决高熵材料和催化剂研究中的计算瓶颈问题，即高维组成空间和多种结构微观状态的问题，通过使用机器学习模型进行原子结构模拟。

论文使用预训练的EquiformerV2模型进行零样本推理和少样本微调，以推断高熵合金Ag-Ir-Pd-Pt-Ru上*OH和*O的吸附能，并发现EquiformerV2能够为更小、更专注的直接推理模型提供信息。

实验结果表明，EquiformerV2模型的基础知识可以推广到固溶体高度无序的结构中，从而大大加快了计算吞吐量，使得此前不可行的高熵材料研究现在变得可行。论文使用的数据集和代码已经公开。

最近的相关研究包括使用机器学习模型进行原子结构模拟的其他工作，例如Open Catalyst Project中的其他模型，以及涉及高熵材料和催化剂研究的其他论文，例如“Machine Learning for High-Entropy Alloy Discovery”。