原子间势能

机器学习原子间势能函数（Machine Learning Interatomic Potential, ML-IAP）是一种基于数据驱动的原子尺度相互作用建模方法，它利用机器学习算法从高精度计算或实验数据中学习原子系统的能量、力和应力响应，有效弥补了传统经验势函数精度不足与第一性原理计算效率低下之间的鸿沟。该方法通过采集海量原子构象及其对应的量子力学计算结果（如DFT）、分子动力学轨迹或实验观测数据作为训练集，采用神经网络、图网络或核方法等机器学习架构，精确拟合出原子局部化学环境与系统势能面的复杂映射关系，不仅能准确预测已知材料的力学性能和热力学性质，还可外推至未知组分或极端条件（如高压/高温）的原子行为模拟。当前主流技术路线包括基于对称性适应描述符的Behler-Parrinello神经网络、考虑多体相互作用的M3GNet图神经网络势，以及兼顾不确定度评估的高斯过程势（GAP），这些方法已成功应用于新型合金设计、催化反应机理研究和极端条件材料预测等领域，显著提升了分子动力学模拟的时空尺度与精度上限。