AI 與世界的難題 · 化學與材料 · arXiv · 2026-10-20
理解通用機器學習原子間勢中的壓縮—延伸誤差不對稱性
原標題: Understanding compression-extension error asymmetry in universal machine-learning interatomic potentials
通用機器學習原子間勢在方向性形變下的可靠性尚不明確。作者以 DFT 為參考，針對十一種預訓練勢函數，比較了自同一母結構出發、沿成對形變路徑進行的壓縮與拉伸。在 ±10% 應變下，每個模型在壓縮時的力誤差中位數都較大。對誤差增長進行分解後發現，力尺度匹配可降低這種不對稱性，不過在其中一個資料集中，壓縮側仍存在超額誤差。