ML势函数：望远镜，不是显微镜

机器学习势函数大概是近年来计算材料领域最被寄予厚望的技术之一。它承诺把 DFT 的精度带入经典分子动力学的尺度，听起来像救世主。但现实是，它也会一本正经地给出错误的反应路径，在训练域之外表现离谱。

它不是 DFT 的免费替代品。它是一架望远镜，让你看得更远，但不代表看得更真。

训练数据的质量决定天花板。ML 势函数不是从第一性原理里"学"到物理，而是从你给的数据中学到插值。如果训练集只覆盖平衡态结构，它就很难预测远离平衡的化学反应路径。

我通常要求训练集满足三个条件：结构多样性足够、能量/力/应力标签精确、覆盖目标模拟会访问的相空间。缺少任何一条，模型再复杂也没用。

泛化性是最难啃的骨头。一个在某二元体系上训练得很漂亮的模型，换到三元体系可能直接失效。它学到的是原子环境到能量的映射，而不是背后的物理定律。一旦遇到没见过的局部环境，预测就可能放飞。

解决思路之一是主动学习：在 MD 中实时检测不确定性高的构型，送回去用 DFT 重新标记，再迭代训练。模型才会逐渐"见多识广"。

验证必须比训练更严格。不要只在训练集上报告 RMSE。真正的验证包括在独立测试集上的能量/力误差、对已知相变温度的预测、与 DFT 基准的反应路径对比、长时间 MD 的结构稳定性。

非晶硅锂化这类大尺度、非晶、反应性体系，MLIP 可能是目前最现实的路径之一。但前提是你要清楚它的边界。

构建工作流时，可以用 SLMat 做快速计算验证，用 DeepCode 辅助搭建训练和评估脚本。工具再方便，也无法替你判断模型是否可信。

用 MLIP 之前，先问自己：我的体系是否在训练域内？有没有可靠的验证基准？如果答案是否定的，那可能要先回到 DFT 或小尺度 MD，把地基打牢。