概念MLIPs / 机器学习势能模型
机器学习原子间势
机器学习原子间势（MLIPs）是一类利用机器学习模型预测原子间相互作用能量和力的方法，用于加速分子动力学模拟，在计算化学与材料科学中广泛应用。其核心挑战在于平衡预测精度与物理约束。
时间轴 (近 90 天)
10月14日
对于无约束假设类，MLIPs的预测误差与采样精度之间的关系在维度上呈指数级病态：即使能量和力的预测误差随维度指数衰减，学习分布与目标分布之间的全变差距离仍可能接近最大值。
待验证50%
10月14日
一项理论研究证明，模型可以在训练集上完美匹配能量和力，却在采样时产生完全错误的统计行为，即分布层面误差不随局部预测精度提升而减小。
待验证50%
10月14日
该理论研究对当前追求更大、更灵活、更少物理约束的MLIP模型设计趋势提出警示：放松归纳偏置可提升拟合精度和计算效率，但可能牺牲采样可靠性。
待验证50%
10月14日
要确保MLIPs的采样可靠性，不能仅仅依赖能量和力的逐点匹配，而需要引入适当的归纳偏置或约束来保证全局分布的正确性。
待验证50%
全部知识事实 (4)
待验证
对于无约束假设类，MLIPs的预测误差与采样精度之间的关系在维度上呈指数级病态：即使能量和力的预测误差随维度指数衰减，学习分布与目标分布之间的全变差距离仍可能接近最大值。
50%待验证一项理论研究证明，模型可以在训练集上完美匹配能量和力，却在采样时产生完全错误的统计行为，即分布层面误差不随局部预测精度提升而减小。
50%待验证该理论研究对当前追求更大、更灵活、更少物理约束的MLIP模型设计趋势提出警示：放松归纳偏置可提升拟合精度和计算效率，但可能牺牲采样可靠性。
50%待验证要确保MLIPs的采样可靠性，不能仅仅依赖能量和力的逐点匹配，而需要引入适当的归纳偏置或约束来保证全局分布的正确性。
50%