SurFF基础模型：实现金属间化合物晶体表面暴露与形貌的精准高效预测

来自多机构的研究团队开发了基于力场的基础机器学习模型SurFF，解决了金属间化合物催化剂表面能精准预测的瓶颈问题。该模型通过主动学习与高通量DFT计算构建数据库，实现3 meV Å−2级精度和105倍加速，为高通量材料筛选提供新范式。

研究团队提出名为SurFF的力场基础模型（foundation force-field-based model），用于精准预测金属间化合物晶体（intermetallic crystals）的表面暴露特性与可合成性。通过结合主动学习方法（active learning）和高通量密度泛函理论（density functional theory, DFT）计算，构建了包含12,553个独特表面和344,200个单点数据的综合性数据库。SurFF模型实现了DFT级别的预测精度，表面能误差仅为3 meV Å⁻²，并将计算速度提升10⁵倍，显著加速了大规模表面暴露预测。经计算与实验数据验证，模型表现出高度一致性。该研究进一步对超过6,000种金属间化合物晶体的表面能及Wulff形状进行了大规模预测，为催化社区提供了重要数据基础。