让机器学习势活过1000K——物理学告知的原子能量模型实现前所未有的模拟稳定性

来源ScienceAI 本文约1500字建议阅读5分钟从几何恢复到构象优化全面验证物理信息力场。机器学习势MLP被誉为连接量子力学精度与分子力学效率的圣杯。过去二十年它们已经能以前所未有的精度重现能量和力的静态测试误差。然而一个尴尬的事实是很多MLP在静态测试中表现完美一旦被部署到分子动力学模拟中尤其是在高温下就会毫无征兆地「炸裂」——分子爆炸、键长失控、模拟崩溃。这种稳定性问题严重制约了 MLP 在真实复杂体系中的应用。来自英国曼彻斯特大学的团队从该痛点切入基于「相互作用的量子原子」IQA框架构建了物理学告知的高斯过程回归GPR原子能量模型首次实现了在高达 1000K 的温度下、长达 10 纳秒的 NVT 模拟中「几乎无限」的稳定性。相关研究以「Unprecedented robustness of physics-informed atomic energy models at and beyond room temperature」为题于 2026 年 3 月 31 日发布在《Communications Chemistry》。论文链接https://www.nature.com/articles/s42004-026-01965-0GPR 原子模型本次研究中所提出的是首个基于物理学的高斯过程GP原子能模型与流行的 Behler-Parrinello 类 MLP 不同这里报告的模型是基于预先计算且可解释的原子能训练的其数值源自严格的量子力学定律。为此研究团队根据量子物理规则向模型输入了原子在现实中相互作用的详细信息帮助人工智能对分子每个部分的运动做出更现实的预测。图 1基于 GP 的原子能模型的静态性能。团队表示在静态测试中原子模型的性能不出意外地实现了相当准确的预测准确性模型的稳健性表现也都在意料之中。团队还发现一个小的数学选择称为「先验均值函数」m影响模型的稳定性有了这个功能人工智能就拥有了正确的「起点」即使在分子被拉伸、加热或摇晃时也能创建并维持稳定的模型。图 2基于 GP 的原子能模型的稳健性。恢复力预测与大规模扩展模拟在这个测试中团队在模拟初期阶段以极不稳定的高能起始几何SG检查了预测的原子力并研究了这些力如何受到模拟温度的影响。图 3变形 malondiardideMAL结构中恢复力的预测。只有 MF5 模型能够成功从这些非物理结构恢复。它迅速且不可逆地松弛了非物理 SG并在四种温度下都完成了 1 纳秒的稳定模拟。而 MF1 和 MIN 模型在几千步内即崩溃。团队分析了恢复过程中的原子力方向发现预测的力在第一步就指向「拉伸短键、压缩长键」这正是恢复力的直接证据。为进一步验证长期稳定性团队用 MF5 模型在 500K 下进行了 50 次独立的 10 纳秒模拟总模拟时间达 0.5 微秒全部成功完成。即使是高度柔韧的分子如阿司匹林、丝氨酸和甘氨酸也始终保持稳定。构建安全可靠的分子模型MLP 的动态稳定性不仅取决于训练数据的覆盖度更取决于模型在外推时的「预期」。传统观念中常会假设未知区域的能量不会太高但实际上远离平衡态的构型能量极高。当模型低估了这些能量就会产生错误的吸引力导致崩溃。对 MD 来说模型是否稳定、是否能预测恢复力、是否能在高能区保持物理自洽比单点 MAE 更关键。研究团队明确指出GP 的先验均值函数 m 决定了模型到底会不会「立刻崩掉」还是「长期运行」而量子化学拓扑先验则给了模型一种防止任意能量波动的归纳偏差。对药物设计、新材料模拟、极端条件下的分子动力学这种思路都意味着更可靠的长时程探索能力。相关链接https://www.eurekalert.org/news-releases/1121910编辑文婧关于我们数据派THU作为数据科学类公众号背靠清华大学大数据研究中心分享前沿数据科学与大数据技术创新研究动态、持续传播数据科学知识努力建设数据人才聚集平台、打造中国大数据最强集团军。新浪微博数据派THU微信视频号数据派THU今日头条数据派THU