机器学习势函数：AI 加速材料模拟的落地路径
实验目标
材料模拟的经典方法是 DFT（密度泛函理论）——精度高但计算贵（每步毫秒到秒级），分子动力学（MD）跑不动大体系长时程。**机器学习势函数（MLIP, Machine Learning Interatomic Potentials）**用神经网络学习"原子构型 → 能量/力"的映射，把 DFT 精度带到 MD 速度：
- ML 势函数是什么，怎么做到"DFT 精度、MD 速度"？
- 训练数据怎么来（主动学习）、精度怎么验证？
- 在 HPC 平台上如何与 MD 引擎、工作流集成？
说明：本篇为综述 + 架构解析路线，基于公开方法与论文，无第一手实验数据；具体框架（如 DeePMD-kit/MACE 等）与版本以官方文档为准。
第一段：原理——把 DFT 的"贵"换成神经网络的"快"
传统路径：MD 每一步调用 DFT 计算能量/力 → 精度高，但每步秒级，体系/时程受限
MLIP 路径：用 DFT 数据训练神经网络（势函数）→ 推理能量/力毫秒级
→ MD 步数×1000+，体系大 10-100 倍- 输入：原子类型 + 坐标（局部环境描述，如近邻截断内的结构）；
- 输出：体系能量 + 每个原子的力（对坐标的梯度）；
- 关键性质要求：平移/旋转不变性、能量守恒（力 = -∂E/∂x）、等变性（张量性质随坐标系变换）——架构设计围绕这些物理约束。
为什么能成：材料中原子间相互作用本质上是局域的（截断半径内决定），神经网络学局部环境映射，泛化到未见构型；DFT 数据量（数万~百万构型）在现代算力下可负担。
第二段：训练数据与主动学习——数据是势函数的命门
MLIP 精度由训练数据覆盖度决定，**主动学习（Active Learning）**是标准流程：
1. 初始数据：少量 DFT 计算（典型构型：晶格、缺陷、表面、液相）
2. 训练 MLIP → 用它跑 MD 探索构型空间
3. 挑选"模型不确定性高"的构型（如 ensemble 分歧/误差估计）
4. 对这些构型补 DFT 计算 → 加入训练集 → 重训
5. 循环直到预测误差收敛（模型置信）- 不确定性估计：常用 Deep Ensemble（多模型分歧）或误差传播层——只加"模型没见过的"构型，避免无效标注；
- 数据飞轮：每轮 MD 探索 + 定向补标 + 重训，覆盖目标体系（温度/压力/组分）的相空间；
- 工程点：DFT 补标任务在 HPC 上批处理（与 06 章调度联动），MD 探索用 GPU（MD 引擎 GPU 版）。
第三段：精度验证——势函数"够不够准"的判定
| 验证维度 | 方法 | 工程含义 |
|---|---|---|
| 能量/力误差 | 测试集 MAE/RMSE vs DFT | 训练质量的直接指标 |
| 物理性质复现 | 晶格常数、弹性模量、声子谱 vs 实验/DFT | 力场物理一致性的检验 |
| 外推稳健性 | 目标工况（高温/高压/长时程）下无异常漂移 | MD 长跑的稳定性 |
| 保守性 | 能量守恒、力对称性检查 | 数值稳定性 |
工程观察：MLIP 落地最常见的失败不是训练误差大，而是验证不足——测试集误差好看，但目标工况（长时程、罕见事件）外推失稳。验证要覆盖"实际要模拟的工况"，不是只看论文风格的平均误差。
第四段：HPC 平台集成——从模型到生产 MD 工作流
HPC 平台
├─ DFT 补标批任务（调度器，06 章）
├─ MLIP 训练（GPU，10/11 章工程方法）
├─ MD 推理（GPU/CPU 混合：MLIP 推理 GPU，NVE/NPT 积分 CPU/GPU 协同）
└─ 工作流编排（数据→训练→探索→补标→重训的闭环，13 章科学智能体理念）- 引擎集成：主流 MD 引擎（LAMMPS 等）通过接口加载 MLIP（如 DeePMD-kit 的 LAMMPS plugin、MACE 的接口）——选型时验证引擎-框架兼容；
- 性能分层：MLIP 推理（局部环境计算）适合 GPU 并行；经典部分（长程力、约束）留在 CPU——混合计算是常见架构；
- 与 14 章联动：势函数训练/探索/补标闭环是"科学智能体"理念的实例——自动化程度越高，材料研发吞吐越大。
落地检查清单
- [ ] 势函数架构满足物理约束（平移/旋转不变、能量守恒、等变性）
- [ ] 主动学习闭环就绪（MD 探索 → 不确定性选样 → DFT 补标 → 重训）
- [ ] 训练数据覆盖目标体系相空间（温度/压力/组分）
- [ ] 验证覆盖实际工况（长时程、罕见事件），不止平均误差
- [ ] MD 引擎-框架接口兼容验证（LAMMPS plugin 等）
- [ ] 混合计算架构（GPU 推理 + CPU 经典部分）与调度集成
工程启示
- 数据覆盖度决定势函数上限：主动学习是标准配置，只加"模型没见过的"构型；
- 验证比训练更重要：测试集平均误差之外，目标工况的外推稳健性是落地门槛；
- AI4S 落地的共性模式再现：数据 → 模型 → 探索 → 补数据 → 重训的闭环，与气象（13 章）、科学智能体（13 章）同构——闭环自动化是 AI4S 平台的核心价值。
下一篇预告：材料案例之后，AI×Science 的平台化图景渐清晰——14 章科学智能已有 13 篇，下一批将把分散案例串成方法论，敬请期待。