《Journal of Chemical Information and Modeling》：Improving Reliability of Machine Learning Interatomic Potentials with Physics-Informed Pretraining
编辑推荐：
机器学习原子间势（Machine Learning Interatomic Potentials, MLIPs）已成为分子动力学（Molecular Dynamics, MD）模拟的强大工具，兼具具有竞争力的精度与计算效率。然而，当MLIPs遭遇与其训练数据分
机器学习原子间势（Machine Learning Interatomic Potentials, MLIPs）已成为分子动力学（Molecular Dynamics, MD）模拟的强大工具，兼具具有竞争力的精度与计算效率。然而，当MLIPs遭遇与其训练数据分布显著偏离的构型时，常表现出非物理行为，导致模拟失稳与动力学不可靠，这限制了其在材料模拟中的可靠性。为此，研究人员提出一种物理信息预训练策略，利用简单经验势提升MLIPs在MD模拟中的鲁棒性与稳定性。研究人员通过预训练-微调流程验证了该方法的有效性：MLIPs首先在嵌入原子模型（Embedded Atom Model, EAM）势标记的数据上进行预训练，随后在量子力学真值数据上微调。在三个材料体系（磷、二氧化硅及Materials Project子集）和三种代表性MLIP架构（CGCNN、M3GNet与TorchMD-NET）上的评估表明，与基线模型相比，该物理信息预训练一致地提升了预测精度以及MD模拟中的稳定性。
论文解读：物理信息预训练提升机器学习原子间势在分子动力学模拟中的可靠性
研究背景与问题
分子动力学（MD）模拟是计算物理科学中研究原子构型随时间的演化、揭示分子、生物及材料行为与性质的重要方法。其核心挑战在于如何在保持精度的同时突破模拟的空间与时间尺度限制。第一性原理方法如密度泛函理论（DFT）虽能高精度评估势能面且无需参数化，但其计算量随体系尺寸增长严重制约了大规模或长时间MD模拟的应用。机器学习原子间势（MLIPs）通过学习原子在不同化学环境中的潜在表示，以接近第一性原理的精度和远高于从头算方法的计算效率成为有前景的替代方案。然而，近年来基准测试表明，当MLIPs遇到与训练数据分布显著偏离的结构构型时，会表现出非物理行为。在MD模拟中，热涨落、结构畸变和化学反应必然探索远离平衡态的区域，而这些区域在训练数据集中往往表征不足。这种由MD引发的构型漂移（称为“分布外”（OOD）误差）会导致非物理预测随时间传播和累积，最终造成不可恢复的轨迹误差和不可靠的动力学。尽管主动学习、物理约束和大规模预训练等策略已被探索，但主动学习因迭代重训练和昂贵的从头算计算而成本过高；物理约束方法则难以在施加约束与保持模型灵活性之间取得平衡。因此，需要一种计算开销可控且能有效抑制MD模拟中非物理行为的方法。
研究内容与结论
研究人员提出一种物理信息预训练策略，利用传统经验势——嵌入原子方法（EAM）——来增强MLIPs的鲁棒性与稳定性。该策略采用预训练-微调流水线：首先用EAM标记的增强数据预训练MLIP，使其获得物理知识，然后在原始量子力学数据上微调，从而在保持第一性原理精度的同时保留物理直觉。研究在三个材料体系（磷、二氧化硅和Materials Project轨迹子集MPTrj）和三种MLIP架构（CGCNN、M3GNet和TorchMD-NET）上进行了系统评估，并引入两种新的轨迹物理性度量：原子重叠和Lindemann指数。结果表明，物理信息预训练一致地降低了MD轨迹中的非物理事件（原子重叠和Lindemann指数违例），同时保持或改善了能量、力与应力（EFS）的预测精度。径向分布函数（RDF）对比进一步表明，预训练模型能更好地复现DFT-MD参考轨迹，尤其消除了非键相互作用中的短程非物理峰。该研究的重要意义在于，提供了一种计算廉价且有效的途径，将传统经验势中嵌入的物理规律（如短程排斥、光滑的能量景观）迁移到MLIP中，从而提升其在分布外构型下的可靠性，为发展稳健的MLIPs提供了新范式。
主要关键技术方法
研究人员使用的主要技术方法包括：① 可学习的EAM势，其总能量由嵌入能项、Morse对势项和原子能量项组成，所有参数通过反向传播和AdamW优化器在EFS MAE损失上训练；② 两步扰动算法，对原始量子力学结构进行系统压缩与随机位移，生成多样化构型并用训练好的EAM势标记，构建预训练数据集；③ 预训练-微调流程，MLIP先在EAM标记数据上预训练，再在原始DFT数据上微调。数据来源为磷（4,798个构型）、二氧化硅（2,864个构型）以及MPTrj子集（4,965个仅含Li、Mn、O、P的结构）。
研究结果
3.1 实验设置
研究在三种数据全量和部分（10%或5%）训练数据条件下评估了CGCNN、TorchMD-NET和M3GNet三种架构，并与基线MLIP和锐度感知最小化（SAM）优化模型进行对比。MD模拟使用ASE包，对每个数据集随机采样100个测试结构进行5000步NVT或NPT模拟。
3.2 MLIP生成MD轨迹的物理性
研究人员通过原子重叠和Lindemann指数评估轨迹物理性。结果表明，物理信息预训练在所有数据集和模拟条件下显著减少了非物理轨迹数量。例如，在Silica全量数据NVT条件下，CGCNN基线的原子重叠数为5、Lindemann指数为2，预训练后分别降至4和0；在MPTrj子集（10%）NVT条件下，TorchMD基线原子重叠70、Lindemann指数98，预训练后降至11和40。改进幅度与基线模型覆盖势能面（PES）的程度相关：MPTrj仅含弛豫轨迹，基线PES覆盖窄，预训练收益最大；而磷数据集本身构型多样，改进相对较小。
3.3 MLIPs再现DFT MD轨迹的能力
研究人员对MPTrj子集中10个代表性结构进行了DFT-Langevin NVT模拟，并对比RDF。预训练的TorchMD模型（橙色曲线）在所有相互作用类型中均比SAM和基线模型更接近DFT参考（黑色虚线）。对于键合作用（Mn–O和Li–O），预训练模型准确再现了第一配位壳层峰位和强度；对于非键合作用（Mn–P和O–O），基线模型出现异常的短距离峰（本应趋近零），而预训练模型消除了这些非物理伪影。独立EAM势的RDF显示出与预训练模型相似的峰型，证明改善直接源于EAM知识迁移。
3.4 MLIP的预测精度
EFS MAE对比显示，物理信息预训练基本不损害预测精度，且多数情况下有所改善。例如，Silica（full）中CGCNN的加权总误差从10.796降至10.837（略升）或从29.062能量误差降至23.871；MPTrj（full）中CGCNN总误差从4.679降至4.017。对于TorchMD在磷数据集上的表现与基线几乎相同，其余均优于基线或SAM。总体而言，预训练保持了竞争性精度。
3.5 从EAM势到MLIP的知识迁移
通过势能面（PES）可视化，微调模型在排斥区表现出比基线更合理的势能曲线，尤其对于Si–O和Si–Si相互作用。预训练数据集的原子间最小距离分布相比原始数据显著扩展：Si–O对在0.5–1.5?范围覆盖大幅增加，Si–Si在1.5–2.0?中等增加，而O–O对覆盖提升甚微。改进程度与覆盖扩展程度直接相关：O–O相互作用的物理性改善不显著，归因于两步扰动算法很少生成压缩的O–O构型（因O–O很少是二氧化硅中最接近的原子对），导致EAM知识迁移不足。
讨论与结论
讨论部分指出，EAM预训练的主要优势在于避免了昂贵的DFT标记。以MPTrj子集和TorchMD为例，EAM训练200周期需713秒，数据增强25倍需73秒，EAM标记11,775个结构需234秒，预训练16小时，微调2.4小时，总开销约17小时，远低于DFT标记的成本。局限性包括：EAM对高元素复杂度体系精度较差，因此评估限于≤4种元素；对表面反应、催化断键/成键、带电或开壳层体系，EAM可能不适用或提供误导性先验；预训练数据中极短程（<1.5?）构型覆盖不足，简单注入压缩双原子几何反而降低MD稳定性。结论部分强调，该工作建立了将低保真度物理知识融入MLIP训练的有效框架，物理信息预训练在三个材料体系和三种架构上一致提升了预测精度和MD轨迹稳定性，显著减少了原子重叠和Lindemann指数违例。未来可将预训练-知识迁移范式扩展至缺乏显式物理结构的教师模型（如通用MLIPs），但此类扩展不再是严格意义上的物理信息预训练，其有效性需谨慎评估。
