23种机器学习原子间势能基准测试发现轻量模型是实用之选
机器学习原子间势能（MLIP）已成为计算材料科学中增长最快的工具之一。它们原则上承诺以极低的成本实现密度泛函理论（DFT）的精度。但该领域出现了模型规模的军备竞赛，参数数量从数十万激增至数亿。这种额外的复杂性究竟能带来多少实际收益？
中国科学院团队——韩文康、陆腾龙，以及来自北京物理研究所的通讯作者孟胜和刘淼——首次给出了系统性的答案。他们对23种主流MLIP的基准测试于7月8日发布在arXiv上，揭示了精度与效率之间的明显权衡：最先进的大型模型相比轻量设计，精度仅提高3–5 meV/原子，却牺牲了一到三个数量级的计算吞吐量。
23种模型
基准测试涵盖了18个模型家族的多种尺寸变体，横跨当前MLIP架构的全部范围：
- 轻量（50万–500万参数）：MatterSim v1 1M、Nequix MP PFT、M3GNet、MACE-small、GPTFF、CHGNet、SevenNet、ORB、GRACE、MatRIS、TACE、EquFlash和NequIP-OAM-S
- 中量（500万–1000万）：MACE-MPA-0、Allegro-OAM-L、NequIP-OAM-M
- 大型（1000万–7.3亿）：Equiformer V3 (DNS-OAM)、DPA4.0 Pro、DPA4-MP trajectory、PET-OAM-XL (PET-730M)、eSEN 30M、NequIP-OAM-XL
所有模型在标准化基准上进行了测试：计算固定192原子LiCoO₂晶胞的声子热导率——这是一种被广泛研究的锂离子电池正极材料——以DFT (GGA-PBE)为参考。
结果
最佳的重型模型与最佳的轻量模型之间的精度差异在与实际实验工作相关的尺度上几乎无法区分。MatterSim v1 1M和Nequix MP PFT等轻量模型达到了与最大模型相差3–5 meV/原子以内的精度，作者称这一差距”小于室温热噪声”且”低于典型键的零点振动能”。
相比之下，成本差异巨大。轻量模型的运行速度比DFT快数百到数千倍。那些拥有数亿参数的最大模型有时运行速度还不到DFT本身的两倍。内存限制同样严峻：DPA4.0 Pro、Equiformer V3和PET-730M等重型模型在80 GB GPU上只能模拟500到1,000个原子，而Nequix等轻量模型在相同内存预算下可处理约20万个原子。
“重型模型只能处理500到1,000个原子的系统，”作者指出。”那不是一种材料。那是一个小纳米颗粒。”
帕累托前沿
该研究的核心发现是，轻量MLIP占据了实用分子动力学模拟的帕累托前沿：基准测试中没有任何模型能同时达到比最佳轻量设计更高的精度和更高的吞吐量。
作者的建议很明确：对于绝大多数常规分子动力学工作——数万原子系统中的扩散、相变、力学性能和反应路径研究——轻量模型是正确的工具。大型模型以高昂的成本换取了边际精度提升。
这并不是说大型模型没有作用。作者指出，对于”静态属性的高精度电子结构级别预测”（即吞吐量无关紧要的单点能量计算），大型模型可能仍然有用。而对于基准测试和方法论开发，了解不同架构的完整精度上限仍然具有价值。
基准测试还揭示了一个跨平台开销问题：即使是最快的模型，在专门的TorchSim框架中相比通用的原子模拟环境（ASE）流水线也仅快1.11–1.4倍，这表明软件基础设施与模型架构一样制约着MLIP的实际性能。
更广泛的背景
MLIP领域在弥合第一性原理精度与经典方法速度之间差距的承诺推动下爆炸性增长。这一基准测试表明，对于许多应用，该领域可能已经实现了这一目标——但靠的是轻量模型，而不是那些引人注目的大型模型。
该论文的发现凸显了AI应用于科学时的一个反复出现的模式：并非越大越好，最适合工作的模型取决于工作本身。
婷 翻译
来源：
1. Kang, H., Lu, T., Meng, S. & Liu, M. “Are Machine Learning Interatomic Potentials Truly Practical? A Benchmark of 23 Mainstream Models.” arXiv:2607.07647 (2026).
2. Institute of Physics, Chinese Academy of Sciences, Beijing, China.