AI与世界难题 · 化学与材料 · arXiv · 2026-10-20
理解通用机器学习原子间势中的压缩—拉伸误差不对称性
原标题: Understanding compression-extension error asymmetry in universal machine-learning interatomic potentials
通用机器学习原子间势在方向性形变下的可靠性尚不明确。作者以DFT为参照，针对十一种预训练势，比较了从相同母体结构出发、沿成对形变路径进行的压缩与拉伸。在±10%应变下，每个模型在压缩时的力误差中位数都更大。对误差增长的分解表明，力尺度匹配可以降低这种不对称性，但在其中一个数据集中仍存在压缩侧的过量误差。