Are Foundational Atomistic Models Reliable for Finite-Temperature Molecular Dynamics?
Denan Li, Jiyuan Yang, Xiangkai Chen, Lintao Yu, Shi Liu
机器学习力场已成为分子动力学(MD)模拟的有前途的工具,可能以经典MD的效率提供量子力学准确性。 受基础大型语言模型的启发,近年来在开发基础原子模型(有时称为通用力场)方面取得了相当大的进展,旨在涵盖周期表中的大多数元素。 本视角采用从业者的观点来提出一个关键的问题:这些基础原子模型是否适合其最引人注目的应用之一,特别是模拟有限温度动力学? 而不是一个广泛的基准,我们使用规范的铁电-参数电相过渡作为重点案例研究,以 PbTiO_3 评估突出的基础原子模型。 我们的研究结果表明静态精度和动态可靠性之间存在潜在的脱节。 虽然0 K属性通常很好地再现,但我们观察到模型可能难以持续捕获正确的相变,有时表现出模拟不稳定性。 我们认为这些挑战可能源于训练数据中固有的偏见和对和谐性的有限描述。 这些观察到的缺点虽然在单一系统上得到证明,但似乎指向了更广泛的系统性挑战,可以通过有针对性的微调来解决这些挑战。 本视角不是对模型进行排名,而是就基础原子模型的实际准备情况展开重要讨论,并探索其改进的未来方向。
Machine learning force fields have emerged as promising tools for molecular dynamics (MD) simulations, potentially offering quantum-mechanical accuracy with the efficiency of classical MD. Inspired by foundational large language models, recent years have seen considerable progress in developing foundational atomistic models, sometimes referred to as universal force fields, designed to cover most elements in the periodic table. This Perspective adopts a practitioner's viewpoint to ask a critical ...
