评估机器学习力场在材料性质建模中的可迁移性

近年来，机器学习力场作为分子动力学（MD）模拟的工具引起了极大兴趣，旨在开发能够替代经典原子间势的准确高效模型。然而，在这些模型被自信地应用于材料模拟之前，必须对其进行充分测试和验证。现有的对径向分布函数和均方位移的测试不足以评估这些模型的可迁移性。在此，我们提出了一套更全面的基准测试用于评估机器学习力场的可迁移性。我们使用基于图神经网络（GNN）的力场结合 OpenMM 软件包，以氩（Argon）为测试用例进行 MD 模拟。我们的测试包括计算 X 射线光子关联光谱（XPCS）信号（捕捉液相中不同长度尺度下的密度涨落），以及固相中的声子态密度和液-固相变行为。我们的结果表明，仅当训练数据集中包含固相构型时，该模型才能准确捕捉固相行为。这凸显了在开发机器学习力场时适当选择训练数据集的重要性。本工作提出的测试为材料模拟中机器学习力场的开发与应用提供了必要基础。