訓練資料集對機器學習原子間勢能至關重要：以水的模擬為例

原標題: Training Dataset Matters for Machine Learning Interatomic Potentials: Water Simulation as an Example

本文以水為例，說明機器學習原子間勢能（MLIP）取決於涵蓋相關熱力學條件與相態的訓練資料集。取樣不足的資料集會導致對密度、熔點溫度與核量子效應的預測錯誤。以相同電子結構方法計算出的完整資料集，無論採用何種 MLIP 架構，都能得到一致的預測，且密度與參考計算結果在定量上相符。