Cross-Geometry Transferability Assessment of Universal Machine Learning Interatomic Potentials: From Bulk Materials to Atomic Nanowires
本研究评估了预训练机器学习原子间势函数在 中的跨几何结构可迁移性，结果表明，虽然微调的效果优于从头开始训练，但零样本模型在低配位纳米结构中会出现显著的性能退化，且平均误差指标无法可靠地预测特定物理性能的表现，因此需要多样化的几何数据和独立的物理验证来实现稳健的适配。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图构建一个以原子为角色的视频游戏世界。为了让游戏运行流畅，你不能在角色每次移动时都从头开始计算每一次相互作用；那会太慢了。相反，你根据几千个原子行为的示例，教给一个聪明的计算机程序一套“规则书”。这本规则书被称为机器学习原子间势函数（MLIP）。这就像一位记住了数千种完美蛋糕（块体材料）食谱的厨师。现在，想象你要求这位厨师去制作一些完全不同的东西，比如一根纤细、脆弱的拉丝糖线（原子线）或一块松脆的曲奇饼（纳米颗粒）。这位厨师可能会尝试使用同样的“蛋糕规则”来制作糖线，但结果可能会是一场灾难，因为细丝的物理特性与大块蛋糕完全不同。科学家之所以关心这一点，是因为如果我们想要模拟用于电池或电子设备的各种新材料，我们需要我们的计算机“厨师”即使在材料形状发生剧烈变化时也能保持可靠，而不仅仅是当它保持原来的块状时。
这篇论文就像是对一群这类计算机“厨师”进行的压力测试。研究人员想看看那些基于庞大标准块体材料数据集训练出的最佳“通用型”人工智能模型，是否能处理一个特定的、棘手的场景：氧化锆（ZrO2）。他们专注于一个奇特的物理过程：氧化锆的晶粒彼此分离，变得越来越细，直到形成极其细小的线状结构。这是一个从固体块到薄片、再到颗粒、颈部，最后变成脆弱细丝的过程。
团队首先测试了 26 种不同的预训练人工智能模型，在没有教给它们任何新知识的情况下进行测试（即“零样本”测试）。结果令人震惊：虽然这些模型在描述大型块体部分时表现尚可，但在面对细丝和颈部结构时却完全崩溃了。它们在预测原子推力或拉力方面的误差巨大——在细丝部分的受力预测中，误差高达每埃 197.3 毫电子伏特（meV/Å）。这就像是厨师试图用做砖块的食谱去烤舒芙蕾。
为了解决这个问题，研究人员尝试了三种策略：直接使用原有的模型、进行“微调”（给它一个关于氧化锆的速成班）或者“从头开始训练”（从头开始教它一切）。他们发现，微调在能量和力的预测上比从头开始训练更准确，同时运行时间也相当。然而，这里有一个陷阱。如果他们只教模型一种特定的形状（比如只教细丝），它会对细丝变得非常擅长，但会忘记如何处理块体或薄片。这被称为“负迁移”——在提升一项技能的同时，让其他各项能力变差。
真正的赢家是“混合几何结构”微调。当他们给模型喂食一点各种各样的东西——块体、薄片、颗粒、颈部和细丝——它就能平滑地处理整个过程。误差显著下降，表现最好的模型在能量误差仅为每原子 6 毫电子伏特，且在棘手的细丝部分，受力误差也控制在了 197.3 meV/Å。
但这里有一个最重要的转折：能够准确预测能量和力的数据，并不保证模型在所有方面都是优秀的。当研究人员在真实的物理属性上测试这些模型时，排名发生了变化。例如，那些在预测材料刚度（弹性）方面表现最好的模型，实际上是那些几乎没怎么经过训练的模型。但当涉及到模拟细丝实际断裂的过程（分子动力学）时，只有经过微调的模型才没有立即崩溃。论文表明，要信任这些用于复杂、变形材料的人工智能模型，你不能只看单一的平均得分。你需要给它们喂食多样化的形状“食谱”，并针对你关心的特定物理行为进行测试，因为一个“平均水平优秀”的模型，在原子开始起舞时，仍可能遭遇惨败。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。