物理學告知的原子能量模型實現(xiàn)前所未有的模擬穩(wěn)定性

編輯丨%

機器學習勢（MLP）被譽為連接量子力學精度與分子力學效率的圣杯。過去二十年，它們已經(jīng)能以前所未有的精度重現(xiàn)能量和力的靜態(tài)測試誤差。

然而，一個尷尬的事實是，很多MLP在靜態(tài)測試中表現(xiàn)完美，一旦被部署到分子動力學模擬中，尤其是在高溫下，就會毫無征兆地「炸裂」——分子爆炸、鍵長失控、模擬崩潰。這種穩(wěn)定性問題，嚴重制約了 MLP 在真實復雜體系中的應用。

來自英國曼徹斯特大學的團隊從該痛點切入，基于「相互作用的量子原子」（IQA）框架，構建了物理學告知的高斯過程回歸（GPR）原子能量模型，首次實現(xiàn)了在高達 1000K 的溫度下、長達 10 納秒的 NVT 模擬中「幾乎無限」的穩(wěn)定性。

相關研究以「Unprecedented robustness of physics-informed atomic energy models at and beyond room temperature」為題，于 2026 年 3 月 31 日發(fā)布在《Communications Chemistry》。

論文鏈接：https://www.nature.com/articles/s42004-026-01965-0

GPR 原子模型

本次研究中所提出的，是首個基于物理學的高斯過程（GP）原子能模型，與流行的 Behler-Parrinello 類 MLP 不同，這里報告的模型是基于預先計算且可解釋的原子能訓練的，其數(shù)值源自嚴格的量子力學定律。

為此，研究團隊根據(jù)量子物理規(guī)則向模型輸入了原子在現(xiàn)實中相互作用的詳細信息，幫助人工智能對分子每個部分的運動做出更現(xiàn)實的預測。

圖 1：基于 GP 的原子能模型的靜態(tài)性能。

團隊表示，在靜態(tài)測試中，原子模型的性能不出意外地實現(xiàn)了相當準確的預測準確性，模型的穩(wěn)健性表現(xiàn)也都在意料之中。

團隊還發(fā)現(xiàn)一個小的數(shù)學選擇，稱為「先驗均值函數(shù)」m，影響模型的穩(wěn)定性；有了這個功能，人工智能就擁有了正確的「起點」，即使在分子被拉伸、加熱或搖晃時，也能創(chuàng)建并維持穩(wěn)定的模型。

圖 2：基于 GP 的原子能模型的穩(wěn)健性。

恢復力預測與大規(guī)模擴展模擬

在這個測試中，團隊在模擬初期階段以極不穩(wěn)定的高能起始幾何（SG）檢查了預測的原子力，并研究了這些力如何受到模擬溫度的影響。

圖 3：變形 malondiardide（MAL）結構中恢復力的預測。

只有 MF5 模型能夠成功從這些非物理結構恢復。它迅速且不可逆地松弛了非物理 SG，并在四種溫度下都完成了 1 納秒的穩(wěn)定模擬。而 MF1 和 MIN 模型在幾千步內(nèi)即崩潰。團隊分析了恢復過程中的原子力方向，發(fā)現(xiàn)預測的力在第一步就指向「拉伸短鍵、壓縮長鍵」，這正是恢復力的直接證據(jù)。

為進一步驗證長期穩(wěn)定性，團隊用 MF5 模型在 500K 下進行了 50 次獨立的 10 納秒模擬，總模擬時間達 0.5 微秒，全部成功完成。即使是高度柔韌的分子，如阿司匹林、絲氨酸和甘氨酸，也始終保持穩(wěn)定。

構建安全可靠的分子模型

MLP 的動態(tài)穩(wěn)定性不僅取決于訓練數(shù)據(jù)的覆蓋度，更取決于模型在外推時的「預期」。傳統(tǒng)觀念中常會假設未知區(qū)域的能量不會太高，但實際上，遠離平衡態(tài)的構型能量極高。當模型低估了這些能量，就會產(chǎn)生錯誤的吸引力，導致崩潰。

對 MD 來說，模型是否穩(wěn)定、是否能預測恢復力、是否能在高能區(qū)保持物理自洽，比單點 MAE 更關鍵。

研究團隊明確指出，GP 的先驗均值函數(shù) m 決定了模型到底會不會「立刻崩掉」還是「長期運行」，而量子化學拓撲先驗則給了模型一種防止任意能量波動的歸納偏差。對藥物設計、新材料模擬、極端條件下的分子動力學，這種思路都意味著更可靠的長時程探索能力。

相關鏈接：https://www.eurekalert.org/news-releases/1121910