机器学习

机器学习原子间势 (machine learning interatomic potentials, MLIPs) 的快速发展以及庞大的文献体量，可能使那些并非专家但希望使用这些工具的研究人员难以知道该如何着手。本综述的宗旨是通过充当一份关于 MLIP 前沿技术的实用、易于理解的指南来帮助此类研究人员。本综述论文涵盖了与 MLIP 相关的广泛主题，包括：(i) MLIP 如何以及为何成为分子建模领域诸多激动人心的进展的推动者，其核心方面；(ii) 不同类型 MLIP 的主要基础，包括其基本结构与形式体系；(iii) 通用 MLIP 对有机和无机体系的潜在变革性影响，包括对这一新兴 MLIP 类别的最新进展、能力、缺点及潜在应用的概述；(iv) 一份用于估计和理解 MLIP 执行速度的实用指南，包括基于硬件可用性、所用 MLIP 类型以及预期模拟规模和时长的用户指引；(v) 一份关于用户针对给定应用应选择何种 MLIP 的手册，其考虑因素包括硬件资源、速度要求、能量与力的精度要求，以及选择预训练势或从零开始拟合新势的指引；(vi) 围绕 MLIP 基础设施的讨论，包括训练数据来源、预训练势以及用于训练的硬件资源；(vii) 对当前 MLIP 一些关键局限性以及缓解这些局限性的现有方法的总结，包括纳入长程相互作用的方法、磁性体系的处理以及激发态的处理；最后，(viii) 我们以一些更具推测性的思考收尾，探讨未来 3–10 年以上 MLIP 的发展与应用前景。