河北
編輯丨%
機器學習勢（MLP）被譽為連接量子力學精度與分子力學效率的圣杯。過去二十年，它們已經能以前所未有的精度重現能量和力的靜態測試誤差。
然而，一個尷尬的事實是，很多MLP在靜態測試中表現完美，一旦被部署到分子動力學模擬中，尤其是在高溫下，就會毫無征兆地「炸裂」——分子爆炸、鍵長失控、模擬崩潰。這種穩定性問題，嚴重制約了 MLP 在真實復雜體系中的應用。
來自英國曼徹斯特大學的團隊從該痛點切入，基于「相互作用的量子原子」（IQA）框架，構建了物理學告知的高斯過程回歸（GPR）原子能量模型，首次實現了在高達 1000K 的溫度下、長達 10 納秒的 NVT 模擬中「幾乎無限」的穩定性。
相關研究以「Unprecedented robustness of physics-informed atomic energy models at and beyond room temperature」為題，于 2026 年 3 月 31 日發布在《Communications Chemistry》。
論文鏈接：https://www.nature.com/articles/s42004-026-01965-0
GPR 原子模型
本次研究中所提出的，是首個基于物理學的高斯過程（GP）原子能模型，與流行的 Behler-Parrinello 類 MLP 不同，這里報告的模型是基于預先計算且可解釋的原子能訓練的，其數值源自嚴格的量子力學定律。
為此，研究團隊根據量子物理規則向模型輸入了原子在現實中相互作用的詳細信息，幫助人工智能對分子每個部分的運動做出更現實的預測。
圖 1：基于 GP 的原子能模型的靜態性能。
團隊表示，在靜態測試中，原子模型的性能不出意外地實現了相當準確的預測準確性，模型的穩健性表現也都在意料之中。
團隊還發現一個小的數學選擇，稱為「先驗均值函數」m，影響模型的穩定性；有了這個功能，人工智能就擁有了正確的「起點」，即使在分子被拉伸、加熱或搖晃時，也能創建并維持穩定的模型。
圖 2：基于 GP 的原子能模型的穩健性。
恢復力預測與大規模擴展模擬
在這個測試中，團隊在模擬初期階段以極不穩定的高能起始幾何（SG）檢查了預測的原子力，并研究了這些力如何受到模擬溫度的影響。
圖 3：變形 malondiardide（MAL）結構中恢復力的預測。
只有 MF5 模型能夠成功從這些非物理結構恢復。它迅速且不可逆地松弛了非物理 SG，并在四種溫度下都完成了 1 納秒的穩定模擬。而 MF1 和 MIN 模型在幾千步內即崩潰。團隊分析了恢復過程中的原子力方向，發現預測的力在第一步就指向「拉伸短鍵、壓縮長鍵」，這正是恢復力的直接證據。
為進一步驗證長期穩定性，團隊用 MF5 模型在 500K 下進行了 50 次獨立的 10 納秒模擬，總模擬時間達 0.5 微秒，全部成功完成。即使是高度柔韌的分子，如阿司匹林、絲氨酸和甘氨酸，也始終保持穩定。
構建安全可靠的分子模型
MLP 的動態穩定性不僅取決于訓練數據的覆蓋度，更取決于模型在外推時的「預期」。傳統觀念中常會假設未知區域的能量不會太高，但實際上，遠離平衡態的構型能量極高。當模型低估了這些能量，就會產生錯誤的吸引力，導致崩潰。
對 MD 來說，模型是否穩定、是否能預測恢復力、是否能在高能區保持物理自洽，比單點 MAE 更關鍵。
研究團隊明確指出，GP 的先驗均值函數 m 決定了模型到底會不會「立刻崩掉」還是「長期運行」，而量子化學拓撲先驗則給了模型一種防止任意能量波動的歸納偏差。對藥物設計、新材料模擬、極端條件下的分子動力學，這種思路都意味著更可靠的長時程探索能力。
相關鏈接：https://www.eurekalert.org/news-releases/1121910
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
