玻尔百科原子尺度下物质的行为由一个复杂的高维能量景观所支配，这个景观被称为势能面（Potential Energy Surface, PES）。几十年来，科学家在绘制这一地形时一直面临一个根本性的两难选择：是依赖计算成本高昂但高度精确的量子力学方法，如密度泛函理论（Density Functional Theory, DFT），还是使用快速但近似的经典力场。这种在精度和速度之间的权衡限制了分子模拟的范围和规模。机器学习势（Machine-learned potentials, MLPs）作为一种革命性的第三条道路应运而生，它提供了一种构建模型的方法，该模型具有量子力学的精度，而计算成本则接近经典势。本文将深入探讨这项变革性技术。接下来的章节将探索使MLP得以实现的核心概念及其在各科学领域的深远影响。我们首先探讨“原理与机制”，揭示物理定律如何引导机器学习创建出物理上一致且功能强大的模型。随后，“应用与跨学科联系”一节将展示这些势如何被用于解决化学、材料科学及其他领域的实际问题。
想象一下，你正试图在完全黑暗中穿越一片广阔无形的群山。你唯一的工具是一个能告诉你当前海拔的高度计，以及一个能告诉你脚下斜坡方向和陡峭程度的特殊装置。简而言之，这就是一个原子的世界。这片无形的景观就是势能面（Potential Energy Surface, PES），一个由量子力学定律雕琢而成的宏伟、高维的地形。海拔就是势能，而决定运动方向的斜坡就是力。化学的全部故事——键如何形成与断裂，分子如何扭曲与折叠，反应如何发生——都写在这片表面的地理构造之中。
几十年来，科学家主要有两种方法来绘制这片景观。我们可以运用量子力学的全部威力，如密度泛函理论（Density Functional Theory, DFT），这就像拥有一幅完美的高分辨率卫星地图。地图精确至极，但生成哪怕一小块区域的计算成本都如此高昂，以至于绘制整个山脉是不可想象的。或者，我们可以使用简化的经典力场，它们就像对景观粗略的手绘卡通画。它们用简单的弹簧和球代替了复杂的量子山丘和峡谷。这些地图使用起来快得令人难以置信，但它们往往很笨拙，并且忽略了那些使化学变得有趣的微妙而美丽的细节。
这就给我们留下了一个巨大的两难境地：我们是想要只能用于少数几个原子的惊人精度，还是想要以牺牲物理真实性为代价的闪电般的速度？这就是机器学习势（MLP）登场的时刻，它不是一个混乱的妥协，而是一种优雅的综合。它们提供了第三条道路：一种创建地图的方法，其精度几乎与量子神谕相当，而速度几乎与经典卡通画一样快。让我们层层剥开，看看这一非凡的壮举是如何完成的。数字本身就说明了问题：对于一个包含100个原子的中等体系，一次力的计算使用经典模型可能需要大约3万次操作，而使用DFT则需要惊人的1000亿次操作。MLP恰好位于两者之间，需要数百万次操作——这是成本与质量之间的一个美妙的平衡点。
一个计算机程序，一套“愚笨”的指令，怎么可能学习深奥的量子物理定律呢？秘密不在于教它薛定谔方程，而在于教它识别模式，并由几个深刻的物理原理引导。
第一个也是最重要的原理是局域性（locality）。在液体和固体的密集世界中，一个原子有点像拥挤房间里的一个人；它主要与其直接邻居相互作用。房间另一侧的原子对它的影响可以忽略不计。电子物质的这种“短视性”是一份礼物。它使我们能够为一个庞大系统的总能量建立模型，不是通过一次性观察所有事物，而是通过将每个独立原子的贡献相加，其中每个原子的能量仅由其局域邻域决定。
这个看起来简单的求和功能非常强大。它意味着我们的模型是广延的（extensive）：如果我们把系统的大小加倍，能量也会加倍，正如物理学所要求的那样。它还意味着模型是可迁移的（transferable）：如果我们在一小块材料中发现的局域原子环境上训练我们的模型，我们就可以自信地用它来预测一大块材料的性质，因为大系统只是更多相同局域环境的拼接。这就是我们如何摆脱“全局”模型的陷阱，这些模型需要在训练期间看到所有可能大小的系统，以避免对新系统做出荒谬的预测。
所以，我们需要向神经网络描述一个原子的局域环境。但是如何做呢？我们不能简单地给它一个邻近原子坐标的列表。为什么不行？因为如果你只是在空间中转动分子，那个列表就会改变，而分子的能量不可能取决于它朝向哪个方向！宇宙没有一个偏好的“上”或“下”。这就是旋转不变性（rotational invariance）的原理。同样，如果我们只是在空间中移动整个系统（平移不变性，translational invariance），或者如果我们任意地重新标记两个相同的原子（置换不变性，permutational invariance），能量也不能改变。
原子环境的描述，即描述符（descriptor），必须从一开始就尊重这些对称性。它必须是一个数学函数，接收邻居的坐标，并产生一个对这些变换不敏感的环境的独特指纹。如果我们在这一点上失败了，我们的模型就建立在沙滩之上。想象一个不具备旋转不变性的有缺陷的描述符。如果我们在一个方向上训练模型，当我们简单地旋转分子时，它会做出一个完全不同且错误的预测，导致不符合物理的力和一个无用的模型。
此外，描述符必须真正捕捉到重要的几何形状！在一个滑稽但富有启发性的例子中，想象一个只计算碳原子和氢原子数量的描述符。如果你试图训练这样一个模型来预测丁烷绕其中心键旋转时的能量，它会彻底失败。由于原子数量在旋转过程中不改变，模型将预测一个恒定的能量，完全忽略了旋转能垒。预测的能垒将为零，无论真实的能垒是多少，因为模型从未被给予成功所需的信息。
现代MLP使用两种主要哲学来应对这一挑战。开创性的Behler-Parrinello方法使用一组固定的、手工制作的数学函数（称为对称函数），这些函数被巧妙地设计为不变的。它们明确地编码了局域邻域内的二体距离和三体角度。一种更新的方法，见于消息传递神经网络（Message Passing Neural Networks, MPNNs），则采取了不同的途径。它将分子表示为一个图，其中原子是节点，键是边。网络通过在相邻原子之间“传递消息”来学习自己的描述性特征。在每一步中，一个原子通过聚合来自其邻居的信息来更新其状态。经过几步之后，原子的表示包含了关于扩展邻域的信息。这种学习到的表示通常比固定的描述符更灵活、更具表达力，尽管它可能需要更多的数据来有效训练。
一旦我们有了描述原子环境的方法，我们就需要训练神经网络将这种描述映射到能量上。我们从哪里获得“基准”数据呢？当然是从我们昂贵但精确的量子神谕那里。我们对一组有代表性的原子构型进行多次DFT计算。但是我们应该让MLP学习什么呢？
仅仅训练网络去匹配每个构型的DFT能量似乎是显而易见的。但这是一个错失的机会。还记得那个无形的景观吗？能量只是几个点的海拔。而力是这些点的斜率。力告诉我们关于PES形状的信息，这才是真正支配动力学的东西。对于每一个有个原子的原子构型，我们只得到一个总能量值，但我们得到个力分量（每个原子的x、y、z方向各一个）。在力上进行训练，可以从同样数量的昂贵DFT数据中为我们提供关于该景观的更多信息。
这就引出了力匹配（force-matching）方法。训练的目标，或者说损失函数（loss function），是最小化MLP的预测与DFT参考值在能量和力上的差异。一个设计良好的损失函数有几个关键特征：
一组训练构型的典型损失函数如下所示：
这里，和是权重，是可学习的能量偏移量。
当然，训练的质量取决于数据本身。如果我们想模拟一个化学反应，我们的训练数据必须不仅包括稳定的反应物和产物，还必须包括位于它们之间路径上的高能量、短寿命的过渡态（transition states）。一个简单的模拟很少会访问这些关键区域。因此，构建一个好的训练集需要复杂的主动学习（active learning）策略，即模型本身帮助决定哪些新的DFT计算对于弥补其自身的弱点最为需要。
经过所有这些工作，我们得到了一个训练好的MLP。它接收一个原子构型，计算描述符，将它们通过神经网络，然后输出一个能量。这个过程的一个显著特性是我们可以免费获得力。因为整个模型只是一系列可微的数学运算，我们可以利用微积分的魔力（具体来说是自动微分）来计算能量相对于每个原子位置的解析梯度。
这不是一个近似值；这是模型结构的一个精确的数学结果。它具有深刻的物理意义。任何作为标量势梯度的力场，根据定义，都是一个保守力场（conservative force field）。这意味着当我们使用我们的MLP运行分子动力学模拟时，模型的总能量（MLP的势能加上动能）在连续时间极限下是完全守恒的。
这是一个优美的结果。训练过程决定了势的真实性——它与真实的量子景观匹配得有多好。但模型的架构本身保证了其内部一致性。无论MLP是基于能量、力还是两者进行训练，只要模拟中的力是作为其解析梯度导出的，动力学过程就会保守模型自身的能量。在实际模拟中看到的任何能量漂移都来自于数值时间步进算法的微小误差，而不是势本身的任何缺陷。
尽管这些局域MLP功能强大，但它们有一个致命弱点：它们的短视性。虽然化学反应在很大程度上是局域的，但并非完全局域。长程力，如带电离子之间的静电相互作用（ 衰减）和将分子聚集在一起的微妙的范德华色散力（ 衰减），其作用范围远远超出典型的MLP截断半径（5–10 Å）。一个严格的局域模型对这种物理现象是盲目的，无法描述诸如分子解离到大距离或极性液体的集体介电响应等过程。
这是否意味着整个事业注定要失败？完全不是。它指明了前进的方向。该领域的前沿在于创建结合了两全其美的混合模型。这些模型使用MLP来学习复杂的、短程的量子力学相互作用，这是它的长处。然后，它们明确地加回已知的长程物理函数形式，其参数（如原子电荷或极化率）本身也由神经网络以一种依赖于几何构型的方式预测。
这是一种成熟而强大的方法。它不要求机器从头重新发现库仑定律。相反，它以已知的物理定律为支架，让机器学习来描绘出复杂的、量子力学的细节。这是人类知识与机器智能之间的合作，共同努力构建我们有史以来最准确、最高效、物理上最合理的原子世界地图。
在深入了解了机器学习相互作用势（MLIPs）的复杂机制之后，我们现在从“如何做”转向“为什么做”。为什么这项技术在整个科学领域引发了如此大的热情？答案不仅在于速度，更在于我们可以提出的新问题和可以探索的新领域。MLIPs不仅仅是更快的计算器；它们正在成为一种新型的计算显微镜，一座连接不同理论的桥梁，以及一个自动化发现的引擎。让我们来领略它们一些最引人入胜的应用，从运行稳定模拟的日常实践到捕捉复杂材料中量子现象的宏大挑战。
在最基本的层面上，MLIP扮演着“力场”的角色——一本告诉原子如何相互推拉的规则书。在这个角色中，它可以直接替代几十年来作为分子动力学（MD）支柱的经典经验拟合势。但这种替代带来了一次深刻的升级：量子力学的精度。
然而，强大的能力也意味着需要格外小心。想象你拥有一个全新、极其强劲的汽车引擎。你仍然需要确保车轮安装妥当，底盘能够承受速度。同样，当我们将一个复杂的MLIP放入MD模拟引擎时，我们必须遵守数值模拟的法则。一个关键任务是选择一个合适的积分时间步长 。如果它太大，模拟可能会因为原子非物理地获得或失去能量而“爆炸”，违反了能量守恒的基本定律。科学家们通过运行短期模拟并测量“能量漂移”来严格测试这一点。他们找到能使模拟系统的总能量保持高度稳定和守恒的尽可能大的时间步长，从而确保模拟忠实地反映了势所描述的物理过程。这个实用且至关重要的步骤将MLIP的抽象之美植根于计算科学的具体现实之中。
这自然引出了一个关键问题：MLIP需要多高的精度？是否存在一个“好”势的通用标准？答案，正如科学中常有的情况一样，是“这取决于你想测量什么”。考虑化学中最重要的量之一：反应速率。根据过渡态理论，反应速率与活化自由能垒 呈指数关系。这种指数关系意味着速率对能量的误差极其敏感。MLIP对能垒高度预测的一个微小误差可能导致预测反应速率出现巨大的、数量级的误差。
我们可以将其形式化。速率常数的相对误差 与能垒能量的误差 之间有一个简单而优美的关系：，其中 是气体常数， 是温度。为了使速率预测值与真实值在 时的误差保持在（比如说）20%以内，MLIP预测能垒的高度精度必须优于约 。这种严苛的指数依赖性为MLIP的开发设定了一个明确而高标准的目标，这个基准通常被称为“化学精度”。
一旦我们有了一个可靠的MLIP，我们就可以从验证工具转向用它来做发现了。我们这个时代许多最紧迫的技术挑战，从清洁能源到新药研发，本质上都是材料科学问题。
考虑对更好电池的追求。一个主要目标是开发固态电解质，它比当今的液基电池更安全，并可能更强大。它们的性能取决于离子（如锂离子 ）在固体晶体中移动的难易程度。这种移动不是平滑的滑动，而是一系列从一个稳定位置跳到另一个位置的跳跃，每次跳跃都需要克服一个能垒。这个活化能垒的高度 决定了材料的离子电导率。通过在少量量子力学计算上训练MLIP，科学家可以生成离子扩散路径的整个能量景观。从这个景观中，他们可以立即提取出活化能垒，从而直接预测材料的性能。这使得在计算机中快速筛选成千上万种候选材料成为可能，而无需在实验室中合成任何一种，从而极大地加速了发现周期。
但在此我们必须停下来思考一个所有机器学习的核心问题：一个模型在处理它从未见过的情况时泛化能力如何？这就是可迁移性（transferability）的挑战。想象一下，我们在一个完美有序、重复的块状硅晶体结构上训练了一个MLIP。这个势能否准确地描述硅表面的混乱和重构世界，在那里原子打破了它们的晶体键，形成了新的、复杂的排列，如二聚体？测试这种可迁移性是一项关键的科学工作。通过在块体上训练并在表面上测试，研究人员可以探究他们模型的局限性。迁移失败不是一次挫败，而是一个宝贵的教训，它指导着开发更稳健、更具物理内涵的MLIP架构，使其能够学习底层的物理规律，而不仅仅是记忆训练数据。
也许MLIP最深远的影响是它们能够充当一座桥梁，将不同的理论和计算尺度连接成一个统一、更强大的整体。
计算生物化学中最强大的技术之一是混合QM/MM方法（量子力学/分子力学）。例如，要模拟一个大型酶，用量子力学处理所有数万个原子是不可想象的昂贵。取而代之的是，科学家们创造了一个“计算显微镜”，对分子的化学活性核心使用精确的QM“透镜”，对周围环境使用计算成本更低的MM“放大镜”。挑战一直在于MM部分的准确性。现在，MLIPs提供了一次革命性的升级。通过用一个高精度的MLIP替换简单的MM力场，整个模拟变得更加忠于现实。为了正确地做到这一点，需要仔细的理论设计，确保QM和ML区域之间的能量和力得到一致的处理，并且没有重复计算。这种QM、MM和ML的融合创造了一种前所未有的强大工具，用于研究分子水平上生命错综复杂的舞蹈。
联盟不止于此。自然界的一个深刻真理是，原子不是微小的经典台球；它们是模糊的量子物体。对于像氢这样的轻原子，零点能和隧穿等量子现象可以主导它们的行为。动力学同位素效应（KIE），即用其较重的同位素氘替换氢会极大地改变反应速率，是这些量子效应的铁证。路径积分分子动力学（PIMD）是一个杰出的理论框架，它通过将每个量子粒子表示为一串经典的“珠子”来捕捉这些效应。然而，这种美妙的方法带来了惊人的计算成本，因为在每一步都必须为项链中的每一个珠子计算能量。通过使用MLIP来评估势能，大型复杂系统的PIMD模拟首次变得可行。这使我们能够以量子精度计算纯粹的量子力学可观测量，如KIE，揭示支配化学的微妙规则。
最后，MLIPs正在帮助攻克计算科学的圣杯之一：自由能的计算。决定蛋白质折叠、药物结合和相变的是自由能，而不是势能。像热力学积分（TI）和伞形采样（US）这样的方法被设计用来计算这些量，但它们受到“采样问题”的困扰——需要探索一个巨大的可能原子构型景观。MLIPs提供了一套解决方案。它们可以用作快速生成构型的引擎，然后通过重加权进行校正，以匹配真实的量子力学系综。或者，在一种更优雅的方法中，MLIP可以用作混合算法中的智能提议生成器，该算法保证从真实分布中进行精确采样。这些先进的策略正在将常规、准确的自由能计算的梦想变为现实。
随着MLIPs在科学中变得越来越核心，创建它们的方法也变得越来越复杂。它不再仅仅是在一个巨大的、预先计算好的数据集上进行训练。
前沿是*主动学习，即在模拟过程中“动态”构建势。想象一个模拟正在用一个临时的MLIP运行。为了确保可靠性，我们不使用一个，而是使用一个MLIP的系综*，每个MLIP的训练方式都略有不同。随着模拟的进行，我们不断监测模型之间的一致性。如果系综中的所有模型都对作用在原子上的力达成一致，我们就满怀信心地继续。但如果它们开始出现分歧，特别是对于某个特定原子，这就表明模型们正处于未知领域，其预测是不确定的。这种分歧充当了一个触发器。模拟暂停，并调用一个高保真度的量子力学“神谕”来计算该不确定构型的真实力。然后，这个新的、有价值的信息被用来重新训练和改进整个势的系综。这就创建了一个自主、智能的循环——模拟与神谕之间的对话——高效地构建一个稳健而全面的势，将其学习精力集中在最需要的地方。
MLIP框架的多功能性也正在扩展到处理日益复杂的物理问题。例如，许多重要材料，如分子开关或数据存储中的材料，表现出*自旋交叉*，即分子可以存在于对应不同电子自旋态的多个不同势能面上。一个单一、简单的势无法描述这一点。解决方案是设计一个依赖于自旋状态的MLIP。通过不仅向模型提供原子位置，还提供自旋状态的指示符，一个MLIP可以学会同时表示多个不同的物理现实。这为模拟光化学、磁性以及其他电子结构是动力学中活跃参与者的现象打开了大门。
在科学的宏伟织锦中，机器学习势是一条充满活力的新线索，将量子力学与统计物理学、化学与计算机科学、理论与模拟编织在一起。它们使我们能够以前所未有的保真度模拟世界，并开启一个计算发现的新时代。旅程才刚刚开始。