第一作者：高榕志
通讯作者：陈冠华、胡子洋
作者单位：香港大学、香港量子人工智能实验室、MattVerse Limited、电子科技大学
【研究背景】
多材料体系与复杂界面中，极化响应和静电耦合等长程效应往往主导微观到宏观的行为，尤其在电解质离子迁移、相变以及电极–电解质界面反应中更为关键。近年来，基于等变图神经网络的机器学习势（如 NequIP、MACE）通过引入等变/不变对称性，在平衡精度与效率方面较传统方法已有明显改进。然而，这些MLIPs仅能有效描述局部化学环境内的相互作用，对长程现象（如静电相互作用、极化效应等）的捕捉能力有限。尽管有些研究尝试通过消息传递机制隐式引入长程作用，但在系统大小超出感受野 (receptive field) 时这种隐式方案仍会失效，难以在体系尺度增大或长程作用占主导时保持物理一致性。也正因如此，许多与产业密切相关的任务——例如在工程尺寸下评估扩散系数与活化能、跟踪温度驱动的相变路径、解析界面处SEI生成与演化——往往卡在“要么算得准但太慢、要么算得快却不稳”的两难境地。要解决这些核心痛点，迫切需要一种同时显式处理可极化长程相互作用、又具备工程效率的计算框架，为后续的扩散、相变与界面反应预测提供物理可信且可规模化的基础。
【工作介绍】
香港大学MattVerse团队高榕志、陈冠华、胡子洋等人提出了一种融合显式可极化长程物理机制与等变图神经网络的基础势函数框架。该框架采用物理驱动的可极化电荷平衡方法（PQEq），直接优化静电相互作用能而非部分电荷，显著提升了模型在长程相互作用和极化效应方面的建模能力。研究团队基于该框架训练了一个覆盖几乎整个元素周期表的普适性模型，在多项关键任务上展现优势，包括机械性质预测、固态电解质中的离子扩散、相变以及电极–电解质界面反应动力学；同时能够针对具体体系快速微调，在兼顾精度的前提下显著提升计算效率，还能准确预测分子在外部电场下的极化效应，直接服务于材料筛选、配方优化与机理分析等关键环节。
相关研究成果以“A foundation machine learning potential with polarizable long-range interactions for materials modelling”为题发表在Nature Communications上，并内嵌于MattVerse BDA (Battery Design Automation) 电池设计自动化平台的材料发现模块中。
【内容表述】
1. 模型架构
本文构建了一个融合神经网络势与显式可极化长程相互作用的理论框架。如图1所示，模型将总势能分解为神经网络输出的能量、基于PQEq方法的静电能量以及DFT-D3色散校正能量，从而实现对长程静电与极化效应的精确建模。
图1. 框架结构示意图。
2. 基础模型性能评估
如图2所示，该模型在Na-Na与Na-Cl二聚体的相互作用能预测中，即使在截断半径之外仍能准确复现DFT势能面，而传统完全基于消息传递机制的 MLIPs模型则完全失效。此外，模型在水分子极化响应、超过一万种材料的体积模量预测等方面也表现出色。
图2. 基础模型在二聚体相互作用、水分子极化响应及体积模量预测中的表现。
3. 材料建模应用实例
在此基础上，研究团队将该模型应用于多个实际材料系统中：
图3. 立方相LLZO中锂离子的扩散行为模拟。
图4. BaTiO3相变过程中的晶格常数与极化率变化。
图5. Li/β-Li3PS4固相电解质界面SEI形成过程与组分演化。
【全文总结】
通过显式可极化长程相互作用与等变图神经网络的结合，研究构建了一个覆盖广、可微调、可落地的机器学习力场底座。该框架在长程静电、极化响应与复杂体系建模上的能力增强，能够以更高效率支撑固态扩散、相变与界面反应等关键任务。未来，该框架有望与更高阶静电势展开或其他长程建模策略结合，进一步增强对复杂材料与界面的描述能力，持续赋能材料与新能源行业的数字化研发。
【文献信息】
Rongzhi Gao, ChiYung Yam, Jianjun Mao, Shuguang Chen, GuanHua Chen* & Ziyang Hu*, A foundation machine learning potential with polarizable long-range interactions for materials modelling. Nat. Commun. 16, 10484 (2025).
【访问原文】
https://doi.org/10.1038/s41467-025-65496-3
