神经演化势（neuroevolution potential，简称 NEP）自 2021 年被提出（称为 NEP1）以来，经过几次扩展，如今已发展为成熟的 NEP4 版本，相关文章于近日发表，详见 [General-purpose machine-learned potential for 16 elemental metals and their alloys, Nature Communications 15, 10208 (2024)]（下图）。如果用户使用了 NEP4 版本的 NEP 方法，请引用该文章。
该工作提出了非常适用于多元素体系的 NEP4 模型及其高效的 multi-loss 训练方法、仅用 10 万个结构的简约训练集（已公开，详见论文）就训练出了一个适用于 16 种金属及其任意合金的通用势函数模型。该势函数模型称为 UNEP-v1，意为第一个版本的统一的(U 意为 unified) NEP 势函数模型。文章详细评估了 UNEP-v1 的性能，并与嵌入原子方法（embedded-atom method，简称 EAM）势和其他机器学习势做了对比，充分展示了 UNEP-v1 的高精度和高效率。文章通过大规模分子动力学和混合蒙特卡罗和分子动力学模拟展示了 UNEP-v1 的可靠性和先进性。
对于 N 元的体系，完备的元素组合似乎有 2^N-1 个，包括 N 个一元、N*(N-1)/2 个二元等等。若 N=16，则有 65535 种化学组合。我们真的需要在训练集中考虑如此多的元素组合吗？非也！我们发现，对于 NEP4 模型，在训练集构造中只需考虑一元和二元就足够了。所以，对 16 元的情形，我们的训练集仅考虑了 16 种单质和 120 种二元化合物。一元和二元结构的化学完备性可通过描述符的取值范围来论证，下图f 给出了针对 16 元体系的数值验证。图a-c 展示了 UNEP-v1 在训练集（仅有单质和二元化合物）的高精度训练效果；图 c-e 展示了 UNEP-v1 在各种未见测试集（三元与更多元化合物）的高精度预测效果。可以看到，对于所考虑的 16 种金属的各种化合物，UNEP-v1 的预测要比 EAM 准确许多，同时也要好于基于 Materials Project（MP）训练的一个 MACE 大模型 MACE-MP。
大量计算表明，UNEP-v1 对所考虑的 16 种金属及其化合物的各种物理性质（包括弹性常数、表面形成能、空位形成能、熔点、声子谱）的预测精度均高于传统的 EAM 势。更为重要的是，UNEP-v1 的计算速度与 EAM 势相当，仅用 8 个 A100 显卡就实现了对超过一亿原子规模的多晶高熵合金塑性形变力学性质的第一性原理精度的分子动力学模拟（见下图）。此外，该研究还通过辐照损伤、新材料稳定性预测、合金相变、元素偏析等进一步展示了 UNEP-v1 的可靠性与高效性。
以上结果表明，新开发的 NEP4 模型和简约的训练集构造方案是构造精确且高效的通用机器学习势函数的有效途径。该方案将在材料性质的高效率、高通量计算中发挥巨大的作用。沿着该技术路线进一步探索，有望构建出一个涵盖整个元素周期表的、精确且高效的、开箱即用的通用势函数大模型。
============================
GPUMD学习途径：
代码：https://github.com/brucefan1983/GPUMD
手册：https://gpumd.org/dev/
B站：请搜索 GPUMD-NEP
QQ 群：778083814
Bohrium 课程（GPUMD和NEP基础入门）：
https://www.bohrium.com/courses/7392750010
Bohrium 课程（热输运模拟）：
https://www.bohrium.com/courses/1913905865
============================
