NpjComput.Mater.：原子世界的數字解謎：當機器學習重構材料設計底層密碼

海歸學者發起的公益學術平臺

分享資訊，整合資源

交流學術，偶爾風月

若想設計一款新的材料比如超強航天合金或高效電池材料，其本質在於破譯構成材料的原子在皮秒（萬億分之一秒）與埃米（百億分之一米）時空尺度下的相互作用密碼，這些微觀粒子的動態行為直接決定材料的宏觀特性。計算機技術的革命性進步，使我們能夠構建材料的“數字孿生”系統，透過求解物理方程，推演原子群的運動軌跡與能量狀態，預演其效能。這可以有效降低實驗研究的時間和經濟成本，為高效能材料開發建立高效通道。

勢函式，堪稱這個數字孿生宇宙的“基礎物理法則”，它定義了原子在不同距離、角度下相互作用的能量與受力，從而決定了原子運動的軌跡。開發準確、高效的勢函式是原子模擬技術的關鍵。該領域發展已逾百年，從Lennard-Jones提出經典對勢模型起始，至近十餘年迎來革命性突破：機器學習方法已被系統性整合於勢函式構建。當下，前沿的機器學習勢函式模型建立在球諧函式及其張量積構成的複雜數學體系之上。

電子科技大學文明健教授團隊創新性地提出“笛卡爾原子矩勢函式”（CAMP）。該方法實現完全基於笛卡爾空間中原子的x, y, z座標構建機器學習勢函式，建立更簡潔、直觀的高效建模體系。其技術核心在於直接透過相鄰原子空間座標構建原子矩（類似於力矩），繼而融合多原子位置資訊精確捕捉複雜相互作用，並嵌入圖神經網路框架形成可系統性迭代最佳化的勢函式（圖１）。

圖1. CAMP勢函式模型

他們在鋰電材料、有機分子、水體系及二維石墨烯等多元系統中驗證CAMP的卓越效能。在室溫下對水進行分子動力學模擬，可以精準預測Ｘ射線散射（和中子散射）實驗得到的氧–氧徑向分佈函式（圖２）。

圖2. CAMP模擬得到水的徑向分佈函式（RDF）與實驗結果對比

在多層石墨烯材料模擬中，CAMP可以完美復現DFT層間距離改變的能量曲線和層間相對滑移的能量面（圖３）。

圖３. CAMP在多層石墨烯效能預測中的表現

CAMP計算精度與效率達到或超越主流模型，納秒級分子動力學模擬保持穩定。該模型為研究人員提供全新工具，其簡潔高效的原子相互作用建模範式，有望推動儲能材料、電子器件及奈米技術領域的新材料研發程序。該文近期發表於

npj Computational Materials11：128(2025)，英文標題與摘要如下，點選左下角“閱讀原文”可以自由獲取論文PDF。

Cartesian atomic moment machine learning interatomic potentials

Mingjian Wen*，Wei-Fan Huang, Jin Dai & Santosh Adhikari

Machine learning interatomic potentials (MLIPs) have substantially advanced atomistic simulations in materials science and chemistry by balancing accuracy and computational efficiency. While leading MLIPs rely on representing atomic environments using spherical tensors, Cartesian representations offer potential advantages in simplicity and efficiency. Here, we introduce the Cartesian Atomic Moment Potential (CAMP), an approach to building MLIPs entirely in Cartesian space. CAMP constructs atomic moment tensors from neighboring atoms and employs tensor products to incorporate higher body-order interactions, providing a complete description of local atomic environments. Integrated into a graph neural network (GNN) framework, CAMP enables physically motivated, systematically improvable potentials. The model demonstrates excellent performance across diverse systems, including periodic structures, small organic molecules, and two-dimensional materials, achieving accuracy, efficiency, and stability in molecular dynamics simulations that rival or surpass current leading models. CAMP provides a powerful tool for atomistic simulations to accelerate materials understanding and discovery.