美国加州大学伯克利分校和劳伦斯伯克利国家实验室的研究人员提出了一种基于图神经网络的机器学习原子间势（MLIP）模型——晶体哈密顿图神经网络（CHGNet），能实现基于电荷的原子模拟，有助于推动计算化学、物理学、生物学和材料科学中电荷转移耦合现象的研究。相关研究成果于2023年9月14日发表在《自然·机器智能》期刊上。

研究人员根据材料项目轨迹数据集的能量、力、应力和磁矩对CHGNet进行预训练，使CHGNet能够学习并准确表示电子的轨道占据，从而增强其描述原子和电子自由度的能力。研究表明，CHGNet能精确捕获活化的局部环境中锂离子之间的强相互作用，以及模拟高度非线性扩散行为的能力。此外，CHGNet还可显著降低模拟扩散率的误差，并通过扩展到纳秒级模拟，能对扩散率较差的系统进行研究。

信息来源：

https://www.nature.com/articles/s42256-023-00716-3