近日,哥伦比亚大学应用物理系助理教授Michele Simoncelli与剑桥大学团队共同开发了一套全新的基准测试,用于评估人工智能材料模型的物理准确性。这项研究发表在《自然通讯》杂志上,旨在解决AI模型在预测材料性质时可能出现的根本性错误。

随着AI技术的快速发展,越来越多的科技公司和初创企业开始采用机器学习模型来筛选候选材料。这些模型能够快速预测材料的宏观性质,如热导率、力学性能等,但它们给出的答案是否真的可靠?这正是新基准测试要解答的问题。
从微观层面来看,材料的许多性质,如隔音、耐热性和热膨胀等,都源于原子和电子之间的相互作用。然而,由于量子力学的影响,这些相互作用极其复杂,难以用传统方法精确计算。科学家们不得不依赖近似计算,但随着粒子数量增加,计算成本呈指数级增长。
为了解决这个问题,机器学习原子间势能模型应运而生。这些模型通过学习量子力学计算得到的原子位置、能量、力和应力等数据,能够在不需要每次都求解薛定谔方程的情况下,快速预测原子间的相互作用,速度比传统方法快约1000倍。

然而,速度并不等同于准确性。研究团队指出,仅凭能量预测的准确性来评判模型是不够的,因为原子振动等微观性质对材料的热导率和热膨胀等宏观性质有着重要影响。一些模型可能在能量预测上表现良好,但在原子振动等细节上却存在严重偏差。
为了量化这种差距,研究团队对100多种晶体材料进行了测试,将多个AI模型的预测结果与传统的量子力学计算进行了对比。结果显示,一些模型在预测原子振动和热导率方面都很准确,而另一些模型则在原子振动上偏差较大,但热导率预测却意外地准确,这是因为微观误差相互抵消了。
这项基准测试不仅仅是一个诊断工具,它还为AI模型开发者指明了改进方向。通过提供更具体的物理依据,开发者可以优化模型,使其能够更准确地描述材料的原子振动等微观性质,从而提高预测的可靠性。

目前,这套基准测试已被多家科技公司和初创企业采用,包括Meta、微软、Radical AI和Orbital Materials等。它还被纳入了Matbench Discovery平台,该平台对机器学习模型预测晶体稳定性、结构和热导率的能力进行排名,推动了该领域的进一步发展。
OpenClaw—AI研究