Nature子刊：通向可互通、可比较、可解释的AI材料模型

本文研究了七个独立训练的机器学习原子间势函数（MLIPs）的隐空间表示。背景方面，当前基础MLIPs模型架构多样、训练数据和损失函数不同，导致其内部隐空间无法直接比较，限制了模型的互通与复用。研究目的旨在验证“柏拉图表征假说”在材料科学领域的适用性，即不同MLIPs是否能在隐空间中收敛到统一的几何结构。结论表明，通过提出的锚点投影框架，将七个不同架构的模型嵌入统一到同一坐标系后，这些模型确实收敛到了一个由物理监督（能量/力）塑造的共享化学几何。该框架实现了跨模型嵌入算术、零样本模型拼接以及无需基准真值的结构异常检测等应用。研究还揭示，物理监督而非数据本身是这种几何收敛的关键，并提供了模型诊断新工具。这项工作为AI材料模型的可比较性、可拼接性和可解释性开辟了新路径。