物理与 AI for Science
突破级
有讲解视频
收录解读
- 分级：`突破性` - 正式标题：`Graph atomic cluster expansion for foundational machine learning interatomic potentials` - 原文：`2025-08-25-P3_GRACE-Graph_atomic_cluster_expansion_for_foundational_machine_learning_interatomic_pot.pdf` - 抽取：`extracted.md`
## 重写摘要
GRACE 关注的是材料模拟的底层基础设施问题：如何构建一个既足够通用、又足够高效的基础型原子间势。作者提出基于 graph atomic cluster expansion 的统一框架，并在大规模材料数据上训练，声称在基础型 interatomic potentials 里建立了新的 accuracy-efficiency Pareto front。
论文还强调一个很重要的工程特征：模型不仅能做通用底座，还能通过 fine-tuning 和蒸馏适应更专门的任务，同时避免灾难性遗忘。换句话说，它试图把“材料基础模型”从一次性大模型，变成可继续扩展的层级化平台。
## 为什么重要
原子势一旦更通用、更稳，就会直接影响结构筛选、相变、扩散、缺陷和界面模拟等大量下游科学工作流。它的外溢范围很大。
## 局限
这类模型最怕在 OOD 化学环境和关键反应路径上突然崩掉。真正高风险应用里，仍然需要从头算或实验进行抽检校正。