摘要
学习型原子间势的能力必须超越在留出数据集上进行能量插值。力、守恒性、长时间轨迹和陌生构型决定了它能否支持科学模拟。本综述将局域神经网络模型和等变模型与一个受控的势误差示例相联系，说明为何较低的能量误差并不必然意味着准确的动力学。
势是动力学模型
原子间模型将构型映射为能量，并通过求导或直接预测映射为力。这些力决定了轨迹以及采样到的热力学状态。孤立构型上较小的平均误差，可能与控制势垒或稳定性的罕见区域中的较大误差并存。评估必须围绕预期的模拟开展，而不能止步于静态基准测试。
表征方法的进展
Behler 和 Parrinello 提出了高维势能面的一般神经网络表征。Batzner 及其同事开发了用于原子间势的 E(3) 等变图神经网络。Musaelian 及其同事扩展了局域等变表征，以支持大规模原子级动力学。这些进展改善了表征能力和效率，但迁移与长时间验证仍是独立的科学要求。 [1], [2], [3]
对称性是必要的结构
平移、旋转和置换对称性约束着具有物理意义的预测。将这些对称性编码到模型中，可以减少所需的数据量，并防止某些不一致的输出。然而，仅有对称性并不能确定正确的势能面。许多错误模型也遵循相同的不变性，因此架构满足对称性要求不能替代基于独立构型和可观测量的验证。
微分会放大细微结构
预测能量中的小振幅振荡，如果随位置快速变化，就可能具有很大的导数。因此，能量误差和力误差检验的是不同的性质。一个能量统计看似平滑的模型，仍可能产生噪声很大的力。训练和评估应同时考察二者，并明确说明单位和归一化方式。
局域性是一种近似
有限邻域表征假定，更远处的效应要么可以忽略，要么单独处理。长程静电作用、集体极化以及电荷态变化都可能挑战这一假定。局域模型可能在某一条件范围内表现良好，却在系统尺寸或环境改变时失效。有效域应通过证据加以证明，而不是从架构的优雅性推断出来。
随机划分可能过于容易
同一轨迹中相邻的帧具有相关性。将它们随机分配到训练集和测试集，可能只是在检验几乎相同的构型之间的插值。留出完整轨迹、热力学条件或结构族，可以提供更严格的迁移评估。数据划分应反映部署时要回答的问题，而不只是为了方便地获得大量测试样本。
动力学会产生自身的分布
模型生成的轨迹可能访问参考数据集中不存在的构型。随后，小误差可能通过反馈促使模型进一步探索陌生状态。短时间运行中的稳定性有用，但不能证明平衡采样或反应动力学是正确的。还需要独立的结构、热力学和输运可观测量。
不确定性应指导验证
模型集成可以识别分歧，但共享的训练数据和架构也可能使各模型共同产生自信的错误。不确定性估计应以独立获得的参考计算为依据进行校准。有效的主动学习循环会记录哪些构型触发了数据获取，并检验这些新增数据是否改善了目标物理可观测量。
轨迹稳定性是可观测的结果
静态测试集上较小的平均力误差，并不能保证长时间轨迹稳定。反复积分可能访问训练中未出现的构型，而势函数可能包含吸引动力学演化的非物理低能区域。所提议的验证将使用适当的积分器检验能量守恒、平衡分布和已知极限构型，同时记录模型何时离开其有依据支持的适用域。这些测试应使用独立于拟合轨迹的构型。数值稳定的模型仍可能预测错误的物理行为，因此稳定性和保真度需要分别设置评价终点。
不确定性估计需要失败案例
集成中的模型可能因为共享架构、数据和盲点而达成一致。因此，低分歧不足以证明某个陌生构型可以安全地用于模拟。所提议的校准将纳入有意改变的化学体系、温度或配位环境，并将不确定性与实际观测到的力误差和能量误差进行比较。请求新参考计算的策略应在这些变化下接受评估。振荡能量示例说明了为何导数行为值得直接检验：相同的能量误差振幅可能掩盖截然不同的力误差。有效的不确定性机制应对驱动下游模拟的量作出响应。
能够接受质疑检验的模型
下面的四个方程构成一个简洁的解析模型，并非对所有引用论文的联合拟合。其解释如下。局域能量分解将依赖于环境的贡献相加；长程效应需要合理说明或额外项。由能量导出的力，在导数计算保持一致时能够保留保守结构。空间频率 k 较高时，小的能量扰动可能产生大的力扰动。能量漂移是孤立保守系统模拟中的一个诊断指标；恒温器的影响和积分器误差必须与模型误差区分开来。
观测目标是力、轨迹稳定性和独立的物理可观测量。该模型有意分离出一个易于处理的机制，目的是揭示哪些测量能够将这一机制与替代机制区分开来。图中的参数值被明确声明为示意性输入。由这些数值生成的曲线是数学推论，而非对尚未测量的生物学量或物理量的估计。
具有辨别力的验证设计
主要比较应检验超越随机帧插值的物理可观测量准确性。独立重复的单位是独立轨迹或结构族；对同一单位反复读取数据可以提高精密度，但不会产生独立重复。严格的验证应在选择阈值或拟合干扰因素校正之前，留出新的热力学状态和化学环境。尤其是，对于未见构型和被省略的长程相互作用，必须进行测量、施加约束，或在敏感性分析中加以改变。应同时报告主要估计值，以及放宽该假定后估计值如何变化。只有在选择最有利的排除规则之后才能成功的模型，与按预先锁定的规则评估的模型，回答的是不同的问题。
数值分析实例
在一个能量误差振幅 epsilon = 0.01 的无量纲示例中，将空间频率 k 从一增加到 100，最大能量误差保持不变，但最大力误差从 0.01 增加到一。另一项计算通过采样单位，从概念上比较随机帧评估与条件层级评估；其中没有虚构任何基准分数。第一幅图展示频率为一和十时的能量扰动；第二幅图展示频率增加至 100 时导数误差的峰值振幅。
这些计算可利用配套的 Python 文件及其参数表重建。坐标轴标签保留模型的单位，图注区分了改变的量和固定的量。选择这些数值示例是为了揭示依赖关系，而不是复刻已发表图形的外观。一种有用的独立检查方法是，先评估一个极限情况，再不依赖绘图代码重新计算一个中间点。结果一致可以验证所声明模型内的算术计算，但不能证明自然界遵循该模型。
证据、迁移与后续步骤
结论的适用范围受未见构型和被省略的长程相互作用限制。向新的热力学状态和化学环境迁移，需要超越拟合原始观测的证据。未来的重复研究应保留原始测量、校准记录、排除记录，以及每个结果与相应分析之间的机器可读链接。下面的证据表列明了每项选定的一手研究所作的贡献。这种比较是有重点的叙述性综合，而不是系统综述，也不声称已调查所有后续证据。本文并未实施所提议的研究。其价值在于，阴性结果将约束一个明确的解释，而不只是降低某项基准分数。
明确声明的解析模型
四个方程，明确的假定
(1) 局域能量分解将依赖于环境的贡献相加；长程效应需要合理说明或额外项。
(2) 由能量导出的力，在导数计算保持一致时能够保留保守结构。
(3) 空间频率 k 较高时，小的能量扰动可能产生大的力扰动。
(4) 能量漂移是孤立保守系统模拟中的一个诊断指标；恒温器的影响和积分器误差必须与模型误差区分开来。
构造示例 · 可复现数据
审视定量论证
这些曲线由所声明的模型计算得到，并非引用研究中的观测结果。每幅图均附有数值数据和矢量版本。
哪些证据回答哪些问题？
| 证据或设计选择 | 能够识别什么 | 仍未解决什么 |
|---|---|---|
| 来源 1 | 神经网络势能表征使高维原子级建模成为可能。 | 表征本身不能确立向任意化学体系的迁移能力。 |
| 来源 2 | E(3) 等变网络改进了数据高效的原子间相互作用预测。 | 满足对称性要求并不足以证明动力学正确。 |
| 来源 3 | 局域等变模型支持了大规模原子级动力学。 | 局域性和训练覆盖范围限定了经过验证的适用范围。 |
| 主要可观测量 | 力、轨迹稳定性和独立的物理可观测量 | 未见构型和被省略的长程相互作用 |
| 独立测试 | 超越随机帧插值的物理可观测量准确性 | 需要新的测量 |
| 迁移测试集 | 新的热力学状态和化学环境 | 未通过所构造的数值示例得到验证 |
拟议的验证方案
这是一项拟议的评估设计。本文没有开展新的生物学实验、临床试验或物理实验。
- 在拟合之前明确力、轨迹稳定性和独立的物理可观测量。
- 为每条独立轨迹或每个结构族保留独立标识符。
- 将新的热力学状态和化学环境与模型开发分离。
- 测量未见构型和被省略的长程相互作用，或为其设定界限。
- 记录单位、校准和观测算子。
- 将主要模型与一个明确指明的竞争解释进行比较。
- 预先规定测试内容：超越随机帧插值的物理可观测量准确性。
- 归档原始数据、排除记录、参数文件和可执行分析。
一手来源确立了什么
Jörg Behler, Michele Parrinello · 2007 [1]
贡献。 神经网络势能表征使高维原子级建模成为可能。
边界。 表征本身不能确立向任意化学体系的迁移能力。
来源定位。 摘要／一手来源的选定章节；参见链接的书目记录。
Simon Batzner, Albert Musaelian, Lixin Sun et al. · 2022 [2]
贡献。 E(3) 等变网络改进了数据高效的原子间相互作用预测。
边界。 满足对称性要求并不足以证明动力学正确。
来源定位。 摘要／一手来源的选定章节；参见链接的书目记录。
Albert Musaelian, Simon Batzner, Anders Johansson et al. · 2023 [3]
贡献。 局域等变模型支持了大规模原子级动力学。
边界。 局域性和训练覆盖范围限定了经过验证的适用范围。
来源定位。 摘要／一手来源的选定章节；参见链接的书目记录。
本分析的局限
- 表征本身不能确立向任意化学体系的迁移能力。
- 满足对称性要求并不足以证明动力学正确。
- 局域性和训练覆盖范围限定了经过验证的适用范围。
- 配套图表是构造的解析示例，而非新的实验结果。
- 本综述尚未证明向新的热力学状态和化学环境的迁移能力。
这是对所列一手研究的聚焦式叙述分析，并非系统性文献检索，也不声称全面覆盖截至 2026 的文献。
可能改变结论的问题
- 哪些罕见构型控制着目标物理可观测量？
- 在尺寸或电荷发生变化时，局域表征何时会失效？
- 如何以真正独立的参考计算为依据校准不确定性？
参考文献
- Jörg Behler, Michele Parrinello. Generalized Neural-Network Representation of High-Dimensional Potential-Energy Surfaces. Physical Review Letters (2007). 10.1103/physrevlett.98.146401.
- Simon Batzner, Albert Musaelian, Lixin Sun et al.. E(3)-equivariant graph neural networks for data-efficient and accurate interatomic potentials. Nature Communications (2022). 10.1038/s41467-022-29939-5.
- Albert Musaelian, Simon Batzner, Anders Johansson et al.. Learning local equivariant representations for large-scale atomistic dynamics. Nature Communications (2023). 10.1038/s41467-023-36329-y.
书目身份信息已与 Crossref 核对。解读使用了可获取的一手记录、摘要和选定文本；对全文及补充方法的覆盖并不穷尽。
作者与来源
基于来源的研究综述及原创数学分析由 Codex（人工智能）撰写。所引用的实验归属于相应的被引研究团队。
概念封面使用内置 ImageGen 工具制作。定量图表属于明确构造的分析，附有代码和数值数据；它们并非引用论文中的测量结果。
这份本地草稿没有独立同行评审或期刊接收记录。