机器学习介导的原子势能的准确性与局限性：针对 Fe-Cr-C 磁性系统的案例研究

机器学习介导的原子势能 (MLIP) 已成为原子尺度模拟的黄金标准，但其在磁性材料中的扩展仍具有挑战性，因为必须显式或隐式地捕捉自旋波动。我们针对这一技术性关键的 Fe-Cr-C 系统提出解决方案，通过构建两种基于 DeePMD 实现的深度机器学习势能：一种基于非磁性 DFT 数据训练 (DP-NM)，另一种基于自旋极化 DFT 数据训练 (DP-M)。大规模验证表明，两者呈现鲜明的二元对立。动态、集体性属性、粘度和熔点由 DP-NM 准确复现，但 DP-M 估计错误。静态、局部属性、密度及晶格参数由 DP-M 捕获良好，尤其在富铁合金中，而 DP-NM 失败。解释了参数磁态的一般性质：在高温下，局部磁矩在空间和时间上自平均，因此对传输性质无需显式处理，但对平衡体积至关重要。利用这一洞见，我们展示了一种迁移学习协议：先在非磁性 DFT 上预训练，再在小规模自旋极化数据上微调，可将发展磁性 MLIP 的计算成本降低一个数量级以上。开发能够捕捉静态与动态行为的通用型势能，需要在 DFT 计算中正确考虑温度诱导的自旋波动，并在经典力场中正确纳入自旋自由度。