从评估到设计：利用势能面平滑度指标指导机器学习原子间势能架构

机器学习原子间势（MLIPs）有时无法再现量子势能面（PES）的物理平滑性，导致下游模拟中产生错误行为，而标准的能量和力回归评估可能无法检测到。现有的评估方法，如微正则分子动力学（MD），计算成本高昂，主要探测近平衡状态。为了提高MLIPs的评估指标，我们引入了键平滑性表征测试（BSCT）。这个高效的基准通过控制键变形来探测PES，并检测非平滑性，包括不连续性、人工最小值和虚假力，无论是在平衡附近还是远离平衡。我们表明，BSCT与MD稳定性高度相关，而其成本仅为MD的一小部分。为了展示BSCT如何指导迭代模型设计，我们利用无约束的Transformer主干作为测试平台，说明如何通过诸如新的可微k近邻算法和温度控制注意力等改进来减少我们指标识别的伪影。通过基于BSCT系统性地优化模型设计，所得到的MLIP同时实现了低常规E/F回归误差、稳定的MD模拟和鲁棒的原子性质预测。我们的结果将BSCT确立为一种验证指标，同时也是作为“闭环”模型设计代理，提醒MLIP开发者注意那些无法通过当前MLIP基准高效评估的物理挑战。