研究进展：量子力学-机器学习原子势 | Nature Computational Science

本文是一篇发表于《自然-计算科学》的评述文章，总结了机器学习原子势的研究进展。背景方面，在量子力学诞生百年之际，机器学习原子势已成为连接量子力学精度与经典计算效率的变革性分子建模工具。研究目的在于，文章通过化学精度、计算效率、可解释性与通用泛化能力四大核心挑战，系统梳理了该领域的发展。结论指出，机器学习原子势正经历从手工描述符到可学习表示、从局域模型到物理约束模型、从专用势到通用基座模型三大关键转变，并强调了框架创新、物理方法和大数据基础模型的重要性。尽管仍面临数据偏置、不确定性量化不足等挑战，但未来十年内，机器学习原子势有望发展为通用原子级基座模型，在药物设计、催化、能源材料等领域发挥核心作用。