computational-materials

本文提出了一种预算依赖型方法，结合了基于覆盖和基于响应的训练集选择策略，用于机器学习原子间势，旨在提高材料模拟的准确性和效率。

本文介绍了BDIP-Net，这是一个通过明确建模层内和层间相互作用来预测双层材料性质的图神经网络，并提出了一个使用MatterSim-D3进行高效结构优化的框架。

PhononBench-MP40 是一个基准数据集，包含超过46,000个源自Materials Project的晶体的声子稳定性标签和光谱，旨在评估工作流定义的声子稳定性并支持材料筛选。