8、用于机器学习应用的原子系统体素化表示

用于机器学习应用的原子系统体素化表示

1. 引言

原子系统对于理解和建模材料与化学系统的物理性质至关重要。像密度泛函理论（DFT）和分子动力学（MD）这样的原子模拟方法，能帮助我们阐明材料或化学系统中复杂的物理过程，并计算众多基本物理性质。然而，基于物理驱动的原子模拟方法存在诸多局限性。

1.1 传统原子模拟方法的局限性

• DFT方法 ：高精度但计算成本高，对于涉及数百个以上原子（长度尺度大于或等于 1 - 2 纳米）和时间尺度大于或等于 100 皮秒的物理问题不实用，且随着原子数量增加，计算效率变差。
• 经验势方法 ：计算速度比第一性原理方法快，可处理更大的原子系统，但准确性较低，开发困难，且缺乏可转移性。

1.2 机器学习在原子系统中的应用

机器学习（ML）方法为解决上述问题提供了新途径，在原子系统中有两个直接应用场景：
- 材料/化合物发现 ：直接根据材料的原子结构预测其所需的有效物理性质，绕过昂贵的物理模拟。
- 基于机器学习的原子间势（MLIPs） ：通过预测原子系统在每个时间步的能量和原子间力来驱动 MD 模拟。

这两种应用对原子结构的表示和特征化要求不同。材料发现需要捕获原子结构的全局表示，而 MLIPs 需要捕获给定原子邻域的局部原子结构。但这些表示和特征化应基于统一、一致的原子结构数学定义。

1.3 现有方法的局限性与解决方案

虽然已有