背景介绍 

电化学界面是能源存储与转化过程的核心场景，其结构复杂且处于动态变化之中。 长期以来，实现对电化学界面原位、动态、高精度的理论模拟面临巨大挑战：第一性原理计算受限于时空尺度，难以模拟真实反应环境； 而经典力场往往忽略了关键的电子结构效应，难以准确描述界面反应。针对这一难题，AI4EC Lab 推出了应用于电化学界面模拟的机器学习势函数方法—— ec-MLP， 相关工作发表于2025年7月Physical Review Letters（https://journals.aps.org/prl/abstract/10.1103/48ct-3jxm）。

该方法创新性地结合了描述电解质介电响应的 Deep Wannier 神经网络与描述金属电极介电响应的 Siepmann-Sprik 可极化模型， 成功解决了金属（电子导体）与电解质（离子导体）在界面处介电响应机制截然不同的模拟难点。 在经典的 Pt(111)-KF 水溶液界面体系中， ec-MLP 不仅精准复现了第一性原理精度的水分子化学吸附/脱附动态过程及实验观测到的“钟形”微分电容曲线， 还首次从理论上揭示了界面水分子介电常数的空间分布规律。 ec-MLP 的提出，为跨尺度、高精度地研究真实复杂的电化学界面过程提供了全新的强力工具。  

发布内容  

ec-MLP数据集

该数据集主要包含发表于 Physical Review Letters 的论文《应用于电化学界面模拟的机器学习势函数方法 ec-MLP》中用于模型训练与验证的原始数据， 同时包括数据后处理相关代码。

目前数据集已在 AI4EC 数据开放平台、开放下载： https://dataverse.ai4ec.ac.cn/dataset.xhtmlpersistentId=doi:10.12463/AI4EC/DZJG4D

ec-MLP软件包

ec-MLP 软件包是 ec-MLP 方法的开源实现。 该软件包主要包括一个用于支持金属-电解质界面体系描述的 dipole_charge_electrode DeepMD-kit data modifier, 以及用于LAMMPS模拟加速的verlet/split/dplr功能实现。 通过以上创新性的工作， ec-MLP 可以在 Nvidia A100 GPU上以从头算精度实现 2纳秒每千原子每天 以上的分子动力学模拟， 让研究真实电场环境下的复杂电化学界面成为可能。

该软件包目前已在 GitHub 开源： https://github.com/chenggroup/ec-MLP

该项目在 DeepMD-kit 现有框架基础上实现了 ec-MLP 势函数模型，并通过 LAMMPS 插件将训练得到的模型无缝集成到分子动力学模拟中，实现了从模型训练到实际模拟应用的完整闭环。用户可根据文档说明进行构建和部署。

ai2-kit: TESLA for ec-MLP 工作流

ai2-kit 是一个以促进 AI 加速从头算（AI accelerated ab intio) 方法在复杂化学体系研究中的应用为目标所开发的开源软件包。

针对 ec-MLP 软件的开源，ai2-kit 同步推出了适用于 ec-MLP 势函数训练的主动学习工作流 TESLA for ec-MLP 以简化其应用。 相比于经典的采用TESLA循环的主动学习(Training-Exploration-Screening-Labeling Activate Learning Loop) 势函数训练工作流， ec-MLP 模型训练的难点在于需要标注阶段需要生成 Wannier 数据并同步训练 Wannier 预测模型。

借助 ai2-kit 所提供的高效工作流开发和数据格式转换工具， 用户可以快速在经验主动学习工作流的基础上集成 ec-MLP 的相关内容以满足研究需求。

TESLA for ec-MLP 工作流示例目前已在 ai2-kit 项目下开源：

https://github.com/chenggroup/ai2-kit/tree/main/example/use-case/tesla-for-ec-mlp

欢迎通过向 GitHub Issue 或 Discussion 提交问题或反馈参与项目的开发。