训练数据集对机器学习原子间势的重要性：以水模拟为例

原标题: Training Dataset Matters for Machine Learning Interatomic Potentials: Water Simulation as an Example

本文以水为例，表明机器学习原子间势（MLIP）依赖于覆盖相关热力学条件和相态的训练数据集。采样不足的数据集会导致对密度、熔化温度和核量子效应的错误预测。使用同一种电子结构方法计算得到的全面数据集，无论采用何种MLIP架构，都给出了一致的预测，其密度与参考计算在定量上吻合。