评估通用机器学习力场与实验测量的一致性
材料科学
2025-08-11 v1 机器学习
摘要
通用机器学习力场（UMLFF）承诺通过快速原子尺度模拟在周期表上实现材料科学的革命化。然而，其评估仅限于可能不反映实际性能的计算基准。本文提出 UniFFBench，一个综合性框架，用于对比约1500个精心筛选的矿物结构，涵盖多样化的化学环境、键合类型、结构复杂性及弹性属性。我们系统评估了六种最先进的UMLFF，发现显著的现实差距：在计算基准上表现卓越的模型往往在面对实验复杂性时失败。即便是表现最佳的模型，其密度预测误差也超过实际应用所需的阈值。最引人注目的是，我们观察到模拟稳定性与机械属性精度之间存在脱节，预测误差与训练数据表征相关，而非建模方法。这些发现表明，虽然当前计算基准提供了宝贵的受控比较，但可能高估模型在实验复杂化学空间中的可靠性。UniFFBench 确立了必要的实验验证标准，揭示了实现真正通用力场能力所需克服的系统性局限。
关键词
引用
@article{arxiv.2508.05762,
title = {Evaluating Universal Machine Learning Force Fields Against Experimental Measurements},
author = {Sajid Mannan and Vaibhav Bihani and Carmelo Gonzales and Kin Long Kelvin Lee and Nitya Nand Gosvami and Sayan Ranu and Santiago Miret and N M Anoop Krishnan},
journal= {arXiv preprint arXiv:2508.05762},
year = {2025}
}