加利福利亚大学圣迭亚戈分校 Chi Chen 等2022年发表了一个适用于元素周期表绝大部分元素，甚至部分镧系、锕系元素的通用型机器学习力场（A universal graph deep learning interatomic potential for the periodic table, Nature Computational Science, 2022, volume 2, pages718–728）。

这一种基于具有三体相互作用的图神经网络（M3GNet）的通用型原子间相互作用势，由过去十年 Materials Project 的庞大结构弛豫数据库训练得到，在不同化学空间的材料结构弛豫、动力学模拟和性能预测方面有着广泛的应用。根据该力场的能量计算筛选，从 Materials Project 的3100万个假设晶体结构中，筛选出约180万种材料，被鉴定为稳定结果材料，其中能量最低的 1578 种材料，通过密度泛函理论计算证明稳定性。

AMS材料化学计算平台2023年集成了这个力场，这里我们以固体萘的内聚能计算为例，展示该力场的结果精度，M3GNet 还适用于金属和金属氧化物等无机晶体。M3GNet机器学习势，支持GPU加速，安装该势函数的时候，就需要选择相应的版本（当然前提是机器本身有用于GPU计算的显卡）。安装过程参考：机器学习力场的安装

从该力场的训练集（都是平衡结构，而不包含化学反应的中间结构），可以看出该力场对平衡态结构、能量的可靠性很高，但对化学反应模拟的可靠性则有待验证。

要计算固体萘的内聚能，需要计算：

1. 气相中的单个萘分子
2. 萘晶体

萘晶胞包含两个萘分子，所以最终我们通过计算反应能得到内聚能：

$E_{coh}=(2E_{gas} − E_{crystal}) / 2$

• 打开AMSinput：SCM → New Input
• 切换到 ML potential：→
• 将 Task 设置为 Geometry Optimization
• 将 Model 设置为 M3GNet-UP-2022
• File → Import Coordinates(System) 选择 naphthalene_gas.xyz

由于是分子晶体，因此分子间的范德华相互作用非常重要，因此要添加 D3(BJ) 色散校正。Details → Expert AMS，勾选 Enable → Yes选项：

如果您有支持 CUDA 的 GPU，则可以转到 Details → Technical 面板并将Device 设置为 cuda:0。不过，对于像萘这样的小体系，在 GPU 上运行并不能得到显著的加速（实际上，考虑 D3 色散计算的计算成本与原始 M3GNet 计算的计算成本大致相同）

然后保存并运行作业：

1. 选择 File → Save 并命名，例如：naphthalene_gas.ams
2. 单击 File → Run

与气相计算完全相同地设置，只是导入结构为结晶萘结构：naphthalene_crystal.xyz，并在 Details → Geometry Optimization 面板上，勾选 Optimize lattice → Yes，即晶格常数也需要优化一下。

确保 D3Dispersion 的设置与之前一样。使用新名称保存并运行作业：

1. File → Save 并命名，例如：naphthalene_crystal.ams
2. File → Run

获得优化晶格参数的最简单方法是生成电子表格报告：

在 AMSjobs 中选择已完成的作业，Tools → Build Spreadsheet，优化后的单元长度和角度显示在左侧。

您还可以在 SCM → Movie 中查看优化后的结构。

从气相和晶体计算能量，可以从上面的电子表格中看到，也可以通过 SCM → Output向下滚动 *.out 文件到末尾看到。

得到 E$_{Gas}$ = -4.41213477 Hatree 和 E$_{Crystal}$= -8.89238031 Hatree，从而得到内聚能 E$_{coh}$ = 0.03406 Hatree = 89 kJ/mol。

这与 Al-Saidi 等人（WA Al-Saidi，VK Voora，KD Joradan。DOI：10.1021/ct200618b）报告的 PBE-TS 数字（TS 是一种不同类型的色散校正）相比较。