从评估到设计：使用势能面光滑性指标指导机器学习原子势能模型架构
机器学习
2026-02-05 v1 材料科学
人工智能
化学物理
摘要
机器学习原子势能模型(MLIPs)有时无法再现量子势能面(PES)的物理光滑性，导致下游仿真出现错误，标准能量和力回归评估往往无法发现这些问题。现有的评估方法，如微正规分子动力学(MD)，计算成本高昂，主要探索近平衡状态。为改进MLIPs的评估指标，我们引入键光滑性特征检验(BSCT)。该方法通过受控键伸缩检验PES，检测非光滑现象，包括断裂、人工局部最小能量位置及不正当力，既在平衡态也在远离平衡态。我们表明BSCT与MD稳定性呈强相关性，而计算成本仅为MD的一小部分。为演示BSCT如何指导模型设计，我们采用无约束Transformer作为测试平台，说明通过引入新的可微k近邻算法和温度控制注意力机制可减少由我们的指标识别的制件。基于BSCT系统性优化模型设计后，所得MLIP同时实现低的常规E/F回归误差、稳定的MD仿真以及可靠的原子性物性预测。我们的结果表明，BSCT既是验证指标也是“在环”模型设计代理，能提前警示MLIP开发者发现的物理挑战，而这些挑战无法通过当前MLIP基准测试高效评估。
引用
@article{arxiv.2602.04861,
title = {From Evaluation to Design: Using Potential Energy Surface Smoothness Metrics to Guide Machine Learning Interatomic Potential Architectures},
author = {Ryan Liu and Eric Qu and Tobias Kreiman and Samuel M. Blau and Aditi S. Krishnapriyan},
journal= {arXiv preprint arXiv:2602.04861},
year = {2026}
}
备注
13 pages main text, 10 pages reference & appendix, 8 figures