Платоновское представление фундаментальных межатомных потенциалов машинного обучения

Почему многие модели могут делить одну скрытую карту

Современные исследования материалов опираются на инструменты машинного обучения, которые могут предсказывать взаимодействия атомов, позволяя учёным исследовать новые кристаллы и соединения в компьютере, а не только в лаборатории. Тем не менее каждая мощная модель, как правило, «разговаривает» на своём приватном языке описания атомных окружений, что затрудняет их сравнение или комбинирование сильных сторон. В этом исследовании задают вопрос, существует ли более глубокая общая карта под этими разными языками, и показывают, как её выявить и использовать.

Разные инструменты — разные частные миры

Машинные межатомные потенциалы — это модели, которые быстро оценивают энергии и силы между атомами на основе обучающих данных из квантово-механических расчётов. За последнее десятилетие появилось множество таких моделей: от сетей на графах до архитектур, тщательно учитывающих симметрии физики. Они обучаются на пересекающихся, но не тождественных базах данных неорганических кристаллов и кодируют каждое атомное окружение как вектор высокой размерности внутри модели. При прямом взгляде эти внутренние векторы образуют очень разные узоры от модели к модели, даже когда модели обучены на тех же структурах и просят предсказать одни и те же физические величины. Иными словами, их скрытые системы координат несовместимы.

Построение общей сетки координат

Авторы предлагают способ перевести эти частные системы координат в единое общее пространство без вскрытия или дообучения моделей. Они выбирают набор специальных опорных атомных окружений, называемых якорями, подобранных так, чтобы охватывать широкий диапазон химий и структур. Для любой модели и любого атома измеряют, насколько внутренний вектор атома похож на каждый якорь, и используют набор подобных сходств как новые координаты. Этот трюк заменяет абсолютные позиции внутри «чёрного ящика» относительными положениями относительно одних и тех же общих ориентиров. Применённый к семи отличным межатомным потенциалам, от учитывающих симметрии до их нарушающих, метод даёт единый план, где элементы образуют когерентные кластеры, отразившие периодическую таблицу.

Что выявляет общая карта

Когда модели размещены в этом платоновском пространстве, авторы могут количественно оценить, насколько схожим образом они организуют материю. Глобальные сравнения показывают, что разные модели сходятся в общей раскладке химического пространства, тогда как локальные сравнения выявляют важные различия в обращении с тонкими деталями. Модели, учитывающие симметрии, группируют родственные атомные окружения в компактные почти сферические облака, в то время как модели, игнорирующие эти симметрии, порождают искажённые, растянутые структуры. Генеративная модель, видевшая те же структуры, но не обученная на энергиях или силах, не воспроизводит чёткие периодические закономерности, демонстрируя, что общая геометрия отражает усвоенную физику, а не просто статистику данных.

Выполнять арифметику и проверку состояния материалов

Поскольку все модели теперь живут в общей системе координат, авторы могут выполнять простую векторную арифметику для целых материалов и реакций и сравнивать результаты между моделями. Например, усреднение атомных точек для сложного оксида даёт вектор на уровне материала, который почти выровнен между разными моделями, а вычитание векторов для двух кристаллических форм одного и того же соединения показывает, насколько чувствительна каждая модель к тонким структурным изменениям. Смешивая векторы реагентов из одной модели с векторами продуктов из другой, они конструируют «сшитые» векторные описания реакций, которые сохраняют разумное поведение, что наводит на мысль о модульном повторном использовании моделей, обученных на разных наборах данных. Платоновская карта также служит диагностическим инструментом: она может отслеживать дрейф встраиваний при донастройке, выявлять, когда внутреннее представление модели нарушает ожидаемые симметрии при вращении, и помечать атомные конфигурации, сильно удалённые от многообразия известных устойчивых материалов.

Почему это важно для будущих открытий материалов

Эта работа поддерживает идею о том, что, несмотря на внешние различия, продвинутые физически обоснованные модели машинного обучения склонны сходиться к общему внутреннему представлению атомного мира, когда их ограничивают корректные физические цели. Предлагая практический рецепт для выявления этого общего представления, платоновское представление создаёт основу для сравнения, комбинирования и исследования моделей в согласованном виде. Для неспециалистов главный вывод в том, что более умная координация между многими специализированными инструментами может сделать виртуальное открытие материалов более надёжным, более интерпретируемым и лучше выявляющим случаи, когда собственным предсказаниям следует не доверять.

Цитирование: Li, Z., Walsh, A. Platonic representation of foundation machine learning interatomic potentials. Nat Mach Intell 8, 830–840 (2026). https://doi.org/10.1038/s42256-026-01235-7

Ключевые слова: межатомные потенциалы, информатика материалов, латентное пространство, обучение представлений, взаимодействие моделей