本原性表示：基础机器学习原子间势的共同映射

为何许多模型可以共享一张隐藏地图

现代材料研究依赖能预测原子相互作用的机器学习工具，让科学家能够在计算机上而不只是实验室中探索新晶体和化合物。然而，每个强大的模型往往使用各自的“私有语言”来描述原子环境，这使得比较或结合它们的优点变得困难。本文探讨这些不同语言之下是否存在更深层的共通地图，并展示了如何揭示和利用它。

不同工具，不同的私有世界

机器学习原子间势是能根据来自量子力学计算的训练数据快速估算原子间能量与力的模型。在过去十年中，这类模型呈现出多样化的形态，从基于图的网络到严格尊重物理对称性的设计都有。它们在相互重叠但并不完全相同的无机晶体数据库上训练，并将每个原子环境编码为模型内部的高维向量。直接观察时，这些内部向量在不同模型之间会形成非常不同的模式，即便这些模型在相同结构上训练并被要求预测相同的物理量。换言之，它们的隐藏坐标系并不兼容。

构建共享的坐标网格

作者提出了一种无需打开或重新训练模型即可将这些私有坐标系转换为单一共享空间的方法。他们选择了一组特殊的参考原子环境，称为锚点，挑选标准使其覆盖广泛的化学与结构。对于任意模型和任意原子，他们测量该原子内部向量与每个锚点的相似度，并将这些相似度集合用作新的坐标。该技巧用相对于相同公共地标的相对位置替代了黑箱内的绝对位置。当将此方法应用于七种不同的原子间势——从遵守对称性的设计到打破对称性的设计——时，得到了一张统一地图，元素在其中形成了与元素周期表相呼应的连贯簇群。

共享地图揭示了什么

一旦将模型置于这个本原空间，作者便可以量化它们组织物质的相似程度。全局比较显示不同模型在化学空间的总体布局上意见一致，而局部比较则揭示出它们在处理微妙细节时的重要差异。对称感知模型会将相关的原子环境聚成紧凑、近似球形的云，而忽视这些对称性的模型则产生偏斜、拉长的模式。一个只见过相同结构但未在能量或力上训练的生成模型不能复制清晰的周期性模式，表明共享几何反映的是所学到的物理而非仅仅是数据统计。

对材料做算术与健康检查

由于所有模型现在都处在共同坐标系中，作者可以对整个材料和反应执行简单的向量算术并在模型之间比较结果。例如，对复杂氧化物的原子点取平均会得到一个在不同模型间几乎对齐的材料级向量；将同一化合物两种晶体形态的向量相减可揭示每个模型对细微结构变化的敏感度。通过将一个模型的反应物向量与另一个模型的产物向量混合，他们构造出仍然合理的“缝合”反应向量，暗示了对在不同数据集上训练的模型的模块化复用。本原地图还能作为诊断工具：它可以追踪微调过程中嵌入的漂移、暴露模型内部表示在旋转下违背预期对称性的情况，并标记远离已知稳定材料流形的原子构型。

这对未来材料发现的重要性

这项工作支持这样一种观点：尽管表面上各有不同，当受正确的物理目标约束时，基于先进物理的机器学习模型趋向于在原子世界上收敛到共享的内部图景。通过提供一套切实可行的揭示该共享图景的方案，本文的本原表示为一致地比较、组合和审视模型奠定了基础。对非专业读者而言，关键结论是：在许多专用工具之间实现更聪明的协调，可以使虚拟材料发现更可靠、更可解释，并更能指出何时应对其预测保持怀疑。

引用: 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

关键词: 原子间势, 材料信息学, 潜在空间, 表示学习, 模型互操作性