計算材料的發現由于其探索化學系統廣闊空間的能力而受到廣泛研究，神經網絡勢（NNP）已被證明在為此類目的進行原子模擬時特別有效。然而，現有的NNP 通常是為狹窄的目標材料設計的，這使其不適用于在材料發現方面更廣泛的應用。

在此，日本引能仕株式會社（ENEOS Corporation）Takeshi Ibuka、首選網絡株式會社So Takamoto等人報道了一種名為PreFerred Potential（PFP）的通用 NNP的開發，它能夠處理從元素周期表中選擇的45種元素的任意組合。在數據集方面，作者積極收集包含不穩定結構的數據集以提高模型的魯棒性和泛化能力，包括各種晶體系統和分子結構中元素不規則置換的結構、多種不同元素同時存在的無序結構及溫度和密度變化的結構，NNP架構也是在這個高度多樣化的數據集的前提下設計的。

其中，PFP的基本NNP體系結構采用TeaNet架構。TeaNet架構將二階歐幾里得張量合并到GNN中，并執行標量、向量和張量值的消息傳遞以表示高階幾何特征，同時保持必要的等方差。因此，該架構可處理許多元素，而不會出現組合爆炸。

圖1. 用于訓練神經網絡勢的DFT計算數據集的比較

進一步，作者證明了PFP在選定領域的適用性：LiFeSO₄F中的鋰擴散、MOF中的分子吸附、Cu-Au合金的有序-無序轉變及費托催化劑的材料發現。因此，單個NNP模型可描述多種現象，具有高定量準確度和低計算成本。此外，結果還表明PFP可再現設計階段未設想的結構和能量特性。更重要的是，PFP可大大減輕原子模擬由時間和空間尺度引起的限制，DFT和PFP的聯合研究或使用基于PFP篩選的實驗也將加速材料發現。費托催化劑的材料發現是NNP能夠同時實現以下3個特性的典型案例：

（1）處理多種元素的能力，

（2）處理訓練時未假設現象的能力，

（3）速度明顯快于DFT。這些結果進一步證實了PFP是通用的，適用于篩選各種材料而無需事先了解目標域中的原子結構。

圖2. ?PFP 預測和參考DFT計算化學反應活化能的比較

Towards universal neural network potential for material discovery applicable to arbitrary combination of 45 elements, Nature Communications 2022. DOI: 10.1038/s41467-022-30687-9