🔬 材料科学

Does System Size Matter in Uncertainty Quantification for Machine Learning Interatomic Potentials?

本研究表明，机器学习原子间势能常用的不确定性聚合方法表现出对系统尺寸的显著依赖性，揭示了对尺寸不敏感的阈值会损害分布外检测能力，并阐明了在大规模原子模拟中进行尺寸感知校准的必要性。

原作者： Chayaphol Lortaraprasert, Nontawat Charoenphakdee, Wenwen Li, Yong-Bin Zhuang, Yuta Tsuboi

发布于 2026-10-30

📖 1 分钟阅读☕ 轻松阅读

原作者： Chayaphol Lortaraprasert, Nontawat Charoenphakdee, Wenwen Li, Yong-Bin Zhuang, Yuta Tsuboi

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

在探索新材料的过程中，科学家们依赖于一种被称为机器学习原子间势（machine learning interatomic potentials）的强大工具。这些程序通过训练来预测原子将如何运动和相互作用，充当了极其复杂且缓慢的量子物理计算的捷径。这些程序并不需要为模拟中的每一个原子都求解完整的方程，而是从一小组高质量数据中学习，并将其知识应用于庞大的系统，从而允许研究人员在长时间内模拟数百万个原子。为了保持这些模拟的安全性和准确性，这些程序使用了一种内置的报警系统，称为不确定性量化（uncertainty quantification）。该系统会在计算机遇到从未见过的场景时（例如原子的奇特排列或晶体中的缺陷）发出警报，提示预测可能不可靠，从而需要进行更严谨、更缓慢的计算。

多年来，一种标准做法是无论研究的系统规模如何，都以同样的方式对待这些报警信号。如果模拟涉及一个小型的原子簇或一个巨大的块状材料，研究人员通常只是简单地对所有单个原子的不确定性得分进行平均，或者查看单个最高的得分，以此来判断整个结构是否安全。当时的假设是，无论是在一个小盒子里还是在一个巨大的空间里，高分所代表的含义都是一样的。然而，一项新的研究挑战了这一长期存在的信念，揭示了系统的大小本身会改变这些报警信号的行为，这可能导致安全网恰恰在最需要的时候失效：即在规模最大、最复杂的模拟中。

研究人员旨在测试随着模拟中原子数量的增加，这些不确定性得分是否仍具有可比性。他们使用了几种不同类型的机器学习模型来模拟各种材料，包括金属合金、液态水和冰。在每种情况下，他们都创建了同一种材料的两个版本：一个是完美的、对计算机而言熟悉的（分布内），另一个则包含特定的缺陷，例如缺失的原子或不同的物相，而这些是计算机未被训练识别的（分布外）。随后，他们在这些材料上运行模拟，将原子数量从几十个逐渐增加到几百个，并观察不确定性得分的变化情况。

他们的发现显示，根据计算得分的方式不同，行为出现了明显的且令人惊讶的分歧。当研究人员对系统中所有原子的不确定性进行平均时，对于完美的材料，得分保持稳定；但如果材料中含有缺陷，得分会随着系统规模的扩大而下降。这是因为靠近缺陷的少数原子被周围成千上万个完美的原子稀释了，使得平均值看起来虚假地安全。相比之下，当他们观察系统中单个最高的不确定性得分时，情况则截然相反。对于完美的材料，随着系统变大，这个最高得分会持续攀升，仅仅是因为更大的系统更有机会遇到罕见的、略微异常的局部原子排列。然而，对于含有真实缺陷的材料，这个最高得分却保持平稳，没有随规模增加而上升。

这种分歧造成了一个危险的盲点。在小型系统中，真实的缺陷会产生一个在低分完美材料中显得格外突出的高不确定性得分。但在大型系统中，完美材料的最高得分上升得如此之高，以至于它看起来与带有缺陷的材料一样具有不确定性。两者之间的差距消失了，计算机无法再区分一个完美晶体中罕见但无害的波动与一个真正的、危险的缺陷。研究表明，这是由于一个统计学原理导致的：当你从一个分布中抽取更多样本时，你找到的最极端值自然会变得更大。一个更大的系统仅仅是进一步触及了其自身正常行为的“尾部”，从而显现出模型认为略微陌生、但本质上仍属于该材料的罕见局部环境。

为了了解这些在大型完美系统中上升的得分是否真的在预警重要信息，研究人员追踪了触发最高不确定性的特定原子。他们发现，这些原子确实处于异常的局部环境中，并且比小系统中的原子具有更高的误差。逻辑上，标准的学习循环应该会将这些结构标记出来进行重新训练，将新数据喂给计算机以修复错误。然而，当研究人员实际进行这种重新训练时，针对这些被标记的大型结构进行训练几乎没有带来任何改进。模型在这些特定原子上的表现依然顽固地不准确。

在一个极具启发性的对比中，研究人员训练模型处理的是那些被刻意设计成“陌生”的小型结构，而不是仅仅在统计学上“罕见”的大型结构。事实证明，这种方法要有效得多。针对这些小型、明确属于分布外的结构进行重新训练，显著提升了模型的性能，并缩小了完美材料与缺陷材料之间的差距。研究结论指出，目前使用单一固定阈值来判断所有系统规模不确定性的方法是有缺陷的。研究表明，这些模型的训练方式——即对所有原子进行误差平均——使得它们可能会忽略大桶里的几颗坏苹果，从而导致标准报警系统在处理大规模模拟时变得不可靠。

这些发现指向了管理此类模拟时必须进行的转变。研究人员提出，未来的系统需要具备“规模感知”（size-aware）能力，这意味着它们必须考虑到不确定性会随着原子数量的增加而自然缩放。他们测试了一种事后调整不确定性得分以消除这种规模偏差的初步方法，但发现这样做很难做到既不误伤关于真实缺陷的真正警告。未来的路径可能在于开发新的方法来校准这些得分使其具有跨规模的可比性，或者改变训练过程本身，以确保那些罕见的高误差原子不会为了整体准确性而被牺牲掉。在这些调整完成之前，大规模材料模拟中的安全机制可能会在沉默中失效，无法将大型系统的噪声与真实问题的信号区分开来。

问题陈述

机器学习原子间势（MLIPs）正越来越多地被用于加速原子尺度模拟，从而实现超越密度泛函理论（DFT）的系统规模和时间尺度。部署 MLIP 的一个关键组成部分是不确定性量化（UQ），它负责标记分布外（OOD）构型并驱动主动学习循环。

目前的实践通常将逐原子不确定性（例如力不确定性或描述符空间新颖性）聚合为单一的结构级评分，方法是使用平均值或最大值。这些评分随后与在小参考单元上校准的固定阈值进行比较。本文指出该工作流中存在一个根本性的、未经测试的假设：即结构级不确定性评分在不同系统规模之间具有可比性。随着模拟规模扩展到数百万个原子，且主动学习数据集变得规模混合，作者质疑这些聚合统计特性的变化是否会随系统规模改变，从而可能导致大规模模拟中的 OOD 检测失效。

研究方法

作者研究了三种不同的机器学习原子间势（MLP）架构和不确定性估计器下，逐原子力不确定性随系统规模（ $N$ ）变化的缩放行为：

集成方差（Ensemble Variance）： 使用 MACE [7] 和 ORB [13] 模型的集成。
单模型指标（Single-Model Metric）： 使用 ORB 力差（Force-Delta，即非保守力与保守力之间的差异）。

研究重点关注三个“分布内（ID） vs. 分布外（OOD）”对：

Ni $_3$ Al： 纯净态（ID） vs. 含空位态（OOD）。
水/冰（Water/Ice）： 液态水（OOD） vs. 冰晶（ID）。
WBM 数据集： Mn $_2$ ScSe（ID） vs. CrPt $_2$ Sc（OOD）。

通过复制生成了规模递增的超胞。从由基础势驱动的分子动力学（MD）轨迹中采样结构。模型仅在不同规模的 ID 结构上进行训练。作者分析了两种聚合方法：

平均不确定性 ( $\bar{u}$ ): $\frac{1}{N} \sum u_i$
最大不确定性 ( $u_{max}$ ): $\max_i u_i$

他们进一步检查了高不确定性原子的局部环境（通过 SOAP 描述符）和力误差，以确定高不确定性是否对应于真实的新颖性。最后，他们测试了通过在被这些指标标记为 OOD 的结构上进行重训练来提高模型性能的有效性。

关键结果

1. 聚合方式的差异化缩放行为

平均聚合（Mean Aggregation）： 对于均匀的 ID 系统，平均不确定性与系统规模无关。然而，对于缺陷系统（例如含空位），平均不确定性在较大的单元中随 $O(1/N)$ 衰减。在大型系统中，缺陷结构的平均不确定性会变得与纯净结构无法区分，从而使其在检测局部缺陷方面失效。
最大聚合（Maximum Aggregation）： 对于均匀的 ID 系统， $u_{max}$ 随系统规模 $N$ 增加。相反，对于缺陷系统， $u_{max}$ 保持近似平坦。这种行为归因于极值统计（extreme-value statistics）：随着 $N$ 的增加，均匀系统会采样到其自身环境分布中更深的尾部，从而显现出更罕见的、更扭曲的局部环境，这些环境产生了更高的不确定性。
后果： 随着系统规模增长，基于最大值的聚合中 ID 与 OOD 的不确定性差距会缩小并最终消失。这导致了规模感知失效的 OOD 检测，即大型 ID 结构会被错误地标记为 OOD，或者 ID 与 OOD 之间的区别会消失。

2. 高不确定性原子的有效性 vs. 重训练效率
作者验证了大型 ID 结构中具有最大不确定性的原子确实拥有陌生的局部环境（在 SOAP 描述符空间中距离较远）和较高的力误差。虽然这些原子在统计学上是有效的 OOD 候选者，但在这些结构上进行重训练对提高模型精度几乎没有帮助。

相比之下，在小型、“设计为 OOD”的结构（例如小型含空位单元）上进行重训练会显著改善模型并缩小不确定性差距。
解释： 用于训练 MLIP 的标准均方误差（MSE）损失函数是对所有原子求平均。在一个大型系统中，少数扭曲的环境对总损失的贡献仅为 $O(1/N)$ 。因此，优化器可以容忍这些离群原子的拟合效果较差，同时保持较低的全局误差。增加更多的这类大型 ID 结构并不会迫使模型更好地拟合这些罕见环境。

3. 事后校准（Post-Hoc Calibration）的局限性
作者尝试实现一种可训练的、事后规模感知的校准器，以消除规模偏差。虽然校准器成功地平滑了纯净系统的规模依赖趋势，但它也无意中抑制了缺陷系统的信号（后者自然不随规模缩放），从而缩小了 ID/OOD 的差距。这表明，在不扭曲真实 OOD 信号的情况下消除规模偏差并非易事。

核心贡献

识别系统规模偏差： 本文证明了当前的不确定性聚合方法（平均值和最大值）不是规模不变的，挑战了在混合规模数据集中使用固定阈值的惯例。
统计学解释： 作者将最大不确定性的缩放归因于极值统计，为为什么更大的系统即使在分布内也会表现出更高的不确定性得分提供了理论依据。
主动学习的低效性： 研究揭示了当前主动学习循环的一个实际限制：基于规模膨胀的不确定性得分来标记大型结构，其计算成本高昂，且与在更小的、有针对性的 OOD 结构上进行训练相比，收益递减。
经验证据： 通过对 MACE 和 ORB 模型在多个材料系统上的广泛实验，作者提供了强有力的证据，证明规模无关的 UQ 会导致大规模模拟中的 OOD 检测出错。

意义与主张

本文声称，系统规模会对机器学习原子间势的不确定性量化引入显著偏差，这可能导致大规模原子模拟中的 OOD 检测失败。作者认为，在不同系统规模之间使用固定阈值比较结构级不确定性得分的普遍做法是有缺陷的。

这些发现的意义在于需要规模感知的校准或新的训练目标，以处理离群原子而不牺牲整体精度。作者总结道，如果不解决这种规模依赖性，由 MLIP 驱动的大规模材料发现的可靠性将会受到威胁。他们建议未来的工作应专注于开发能够有效拟合罕见、高误差环境的规模感知型事后校准器或训练损失函数，而不是依赖于目前的规模无关型不确定性准则。

问题陈述

研究方法

关键结果

核心贡献

意义与主张

类似论文