A strategic roadmap for an atomistic machine-learning ecosystem
Jörg Behler, Michele Ceriotti, Cecilia Clementi, Gábor Csányi, Alin-Marin Elena, Aditi Krishnapriyan, Joseph W. Abbott, Fabio Affinito, Albert P. Bartók, Ilyes Batatia, Filippo Bigi, Florian N. Brünig, Yannick Calvino Alonso, Giuseppe Carleo, Aurélie Champagne, Stefan Chmiela, Marc L. Descoteaux, Ralf Drautz, Alexandra Farcas, Meng Gao, Rohit Goswami, Michael F. Herbst, Christian Holm, James R. Kermode, Alexander L. M. Knoll, Tobias Kreiman, Hoang-Thien Luu, Yury Lysogorskiy, Mihai-Cosmin Marinica, Rocco Meli, Klaus-Robert Müller, Frank Noé, Mohamadhosein Nosratjoo, Simon Olsson, Christoph Ortner, Aldo S. Pasos-Trejo, Anyang Peng, Eric Qu, Andrea Rizzi, Mariana Rossi, Bassem Sboui, Gregor N. C. Simm, Alexandre Tkatchenko, Jacopo Venturin, O. Anatole von Lilienfeld, William C. Witt, Brandon M. Wood, Tigany Zarrouk, Fabian Zills
physics.chem-ph, cond-mat.mtrl-sci, cs.LG
2026-09-30
49位学者发布原子ML路线图：势模型已成熟，瓶颈是DFT数据不兼容、评测污染和软件碎片化，建议办盲测、UQ默认化。
模拟一杯水、一块合金或一个蛋白，卡点相同：精确解电子结构的量子方程太贵，只够小体系短时间。过去二十年的解法，是用 DFT(密度泛函理论，主流第一性原理电子结构方法)批量生成原子构型的能量和力，再训模型拟合这条势能面，替代正式的量子计算去跑模拟。这类模型统称 MLIP(机器学习原子间势)，如今专精模型用几千个训练结构就能逼近电子结构精度，通用「基础」势更是让新体系免训练直接拿到初始结构。
这是 49 位研究者在 2026 年 1 月洛桑 CECAM 工作坊后写成的战略路线图，EPFL、剑桥、Meta FAIR、Microsoft Research、马普所都在作者名单里，最早两条技术路线 HDNNP(高维神经网络势)与 GAP 的提出团队也在。它诊断的是生态病：各家数据集用各自合理的 DFT 设置生成，数值互不兼容，拼接会静默传递偏差；新模型几乎每周出现，benchmark 跟不上；软件栈一个架构一套代码。核心判断很直接：进一步提升，数据质量已经和 ML 方法同等重要。
共识文件没有新实验，产出是一套框架加六条建议。框架把模型拆成三根轴：内置多少物理、用什么架构、用什么数据。两个判断值得记住：
六条建议：协调而非统一，只定语言无关的接口(calculator API、数据集字段本体、model card 元数据)和少数共享算子；优先补 DFT 最没把握的高保真数据(强关联、过渡金属、磁性)，并指定几百个公共参考结构，让每个数据集用自己的理论层级重算并报告，不兼容在训练前就暴露；benchmark 之外加双年盲测挑战，CECAM 承办，上届赢家组织下届且不得参赛；用真值已知的受控模型问题回答「模型何时在外推」；不确定度量化(UQ,给预测配可信度)设为出厂默认，与参考方法自身精度一起报告；给软件和基础设施工作正经的职业路径。
路线图没有对照实验，数字都是它综述既有工作时给出的量：
| 项目 | 数值 | 对照 |
| MLIP 预优化加从头算精修的极小值/鞍点搜索 | 成本最多降 90% | 纯从头算搜索 |
| 直接力预测推理速度 | 快 2–3 倍 | 能量求梯度的保守力 |
| 精选数据集保持竞争力所需规模 | 不足 100 万结构 | 数亿结构级数据集 |
| 模型不确定度 vs DFT 自身不确定度(文中示例) | 5 对 50(meV/atom) | 同一性质 |
表外还有两个量化判断：通用模型做复杂模拟任务时，对参考方法的零样本误差常低于参考方法对实验的误差，很多场景微调因此多余；蛋白尺度的机器学习粗粒化势把采样加速了几个数量级。
对做 AI4Science 的人，这是张标了空位的地图：电子结构代理模型(直接预测哈密顿量、密度矩阵而非势能面)、可学习的粗粒化映射、learned integrator、能当下一代数据生成器的神经 DFT 泛函，都排在「预期增长」一栏。
对更广的 ML 从业者，这个领域把 LLM 时代踩过的坑又踩了一遍：benchmark 一旦变成目标就腐化，测试结构渗进后续模型的训练集，和 LLM 评测污染同构；Clever Hans 效应有专门提醒。「量子天花板」是个值得记住的概念：代理模型对实验的精度上限被训练参考方法钉死，零泛化误差也只是完美复刻了 DFT 泛函的自相互作用误差。这逻辑适用于任何跟不完美老师学习的 surrogate 场景。
还有个少见角度：AI 编程 agent 把接口胶水代码和追赶上游破坏性变更的成本大幅摊薄，单体科学代码库的护城河随之变浅，模块化的性价比反转向上。一份物理路线图认真推演 coding agent 对软件架构经济学的影响，本身是个信号。
论文自己承认：六条建议没有一条技术上新颖，价值全在被社区采纳，治理只给了轮值委员会的草图；盲测挑战依赖新实验测量做参考，组织成本高，文中举出的起步例子只有 LAM Crystal Philately 一项。
读下来存疑的地方：等变性的价值两边观点都摆了、没下裁决，新人还是没法据此选架构；几百个参考结构的指纹方案谁来算、谁来托管、不达标怎么办，没有下文；所有关键数字都是转引，是综述视角的判断而非本篇测量。范围也比标题窄：AlphaFold 一类序列生成模型、化学信息学、模拟结果后处理，都明确排除在外。