在这项工作中，我们提出了BMIQA，这是一种基于带匹配的协议，它利用拓扑原子能量中编码的物理信息，来识别不同构象数据集中的等效化学环境。通过分析通过相互作用量子原子模型获得的原子能量分布，BMIQA能够在不依赖任何基于结构的表示方法的情况下，半自动地发现化学上等效的环境，这标志着向完全由物理驱动的原子类型判定策略的转变。我们在包含七种封端氨基酸、三种寡肽、单体水以及水五聚体的数据集上验证了我们的方法。此外，我们还将分析扩展到非封端及含硫氨基酸。有趣的是，没有侧链杂原子的封端脂肪族和芳香族氨基酸仅由七种原子环境构成：三种碳类型、两种氢类型、一种氧类型和一种氮类型。这种简洁且极简的表示方式在同肽中依然存在，而在异肽中，原子类型的数量仅有轻微增加，仍然远小于总原子数。BMIQA能够捕捉到细微的物理等价性。在半胱氨酸中，它揭示出SH和CH亚结构对应于等效的氢环境，这与碳和硫的电负性相似是一致的。虽然孤立的水分子存在两种局部环境，但水五聚体则存在四种环境，其中包括由于氢键变化而产生的两种氧类型和两种氢类型。我们还进一步表明，描述原子环境的能量特征在很大程度上取决于理论水平，而且基于IQA能量训练的高斯过程回归模型在用于分子动力学模拟时也能再现相同的结构。通过提供一种构建严谨的原子类型判定方案的方法，BMIQA为下一代基于物理原理的原子类型机器学习力场提供了一个强大且可靠的框架。
