机器学习原子间势的不确定性量化为何难做？「通用MLIP」或只是神话

rishabh16_ · x · 2026-09-19

作者 Rishabh Anand 撰文讨论机器学习原子间势（MLIP）的不确定性量化（UQ）问题。MLIP 是根据分子三维构象预测逐原子能量与受力的神经网络，目标是绕过牛顿方程直接得到受力、替代或补充分子动力学；学界已有 MACE、SevenNet、Allegro 等模型，Orb、Meta FAIR Chemistry、IBM 等工业团队也在投入，力能数据集（OMat24、OMol25、OPoly26 等）规模持续扩大。

文章核心观点：UQ 方法从视觉/文本领域迁移到三维分子数据时存在独特陷阱，不能照搬；跨所有分子类型与构象的「通用 MLIP」可能根本无法实现。作者还提到其最新工作 Zatom-1（与 MIT 博士生 Ty Perez 等合作）中的 MLIP 实验。