原子论模拟(Atomistic Simulation)的应用涵盖药物设计和材料发现等广泛的领域。人们发现机器学习原子间的势函数（MLIPs, Machine learning interatomic potentials）是有可能替代价格昂贵的从头算理论模拟方法。当一种具有普适性的MLIP可以帮助研究者无需进行重新拟合就可以应用，因此发展一种普适性MLIP能够使化学和材料领域的研究者从中获益。

有鉴于此，洛斯阿拉莫斯国家实验室Justin S. Smith、Richard A. Messerly、Nicholas Lubbers等通过对凝聚态反应自动取样的方式发展了一种普适性的MLIP，并将其称为ANI-1xnr。

本文要点

（1）

ANI-1xnr能够用于5类体系，包括碳的固相成核、乙炔成环反应生成石墨烯、生物燃料添加剂、甲烷燃烧、地球早期小分子自发生成甘氨酸。在这些体系中，ANI-1xnr与许多实验结果以及经典模型方法给出结论的匹配性非常好。

（2）

作者发现ANI-1xnr对于含有C、H、N、O元素的凝聚态反应具有非常好的普适性，从而能够进行高通量设计原位化学实验。

参考文献

Zhang, S., Makoś, M.Z., Jadrich, R.B. et al. Exploring the frontiers of condensed-phase chemistry with a general reactive machine learning potential. Nat. Chem. (2024)

DOI: 10.1038/s41557-023-01427-3

https://www.nature.com/articles/s41557-023-01427-3