【机器学习势能（MLPs）】第四章 模型验证与性能评估

本专栏系统阐述机器学习势能（MLPs）从理论根基到工业级部署的完整技术栈。从第一性原理计算的精度-成本瓶颈出发，深入剖析E(3)等变神经网络、原子中心表示与消息传递机制的数学本质；对比解析HD-NNP、GAP、NequIP、MACE、Deep Potential等主流架构的设计哲学与适用边界；并涵盖主动学习框架、预训练模型微调、不确定性量化等前沿方法。无论您是从事材料模拟、计算化学还是AI for Science研究，本指南都将成为连接量子力学精度与分子动力学效率的桥梁。
 

目录直达

第一章 基础理论与核心概念

第二章 数据生成与训练集构建

第三章 模型训练与超参数优化

第四章 模型验证与性能评估

第五章 软件工具与生产部署

第六章 高级应用与前沿方向 一

第六章 高级应用与前沿方向 二

目录

第四章 模型验证与性能评估

4.1 误差指标与诊断

4.1.1 标准误差度量

4.1.1.1 能量均方根误差（RMSE）与平均绝对误差（MAE）

4.1.1.2 力向量的RMSE与分量误差分析

4.1.1.3 应力/维里张量的误差评估

4.1.1.4 相对误差与化学精度标准（<1 kcal/mol）

4.1.2 误差分析可视化

4.1.2.1 能量-力散点图与Parity Plot

4.1.2.2 残差分布与系统偏差识别

4.1.2.3 学习曲线：训练集大小 vs 测试误差

4.2 物理性质验证

4.2.1 结构性质

4.2.1.1 晶格常数与体积模量预测

4.2.1.2 缺陷形成能与迁移势垒

4.2.1.3 表面能与界面能计算

4.2.2 力学与热力学性质

4.2.2.1 弹性常数张量与声子谱

4.2.2.2 热膨胀系数与热容

4.2.2.3 状态方程（EOS）与高压行为

4.2.3 动力学性质

4.2.3.1 径向分布函数（RDF）与角分布函数（ADF）

4.2.3.2 扩散系数与离子电导率

4.2.3.3 均方位移（MSD）与自关联函数

4.3 分子动力学稳定性测试

4.3.1 能量守恒测试

4.3.1.1 微正则系综（NVE）下的能量漂移监测

4.3.1.2 时间步长稳定性与能量守恒阈值

4.3.2 长期稳定性与漂移

4.3.2.1 纳秒级MD模拟的累积误差分析

4.3.2.2 结构完整性保持与虚假相变检测

4.3.3 外推行为与边界情况

4.3.3.1 训练集外构型的能量预测合理性

4.3.3.2 原子重叠与非物理构型的识别

4.3.3.3 高温/高压极端条件的稳定性

第四章 模型验证与性能评估

4.1 误差指标与诊断

4.1.1 标准误差度量

机器学习势（MLP）的定量验证依赖于能量、力及应力张量相对于参考数据（通常为DFT计算结果）的偏差统计。误差度量的选择需兼顾数值稳定性与物理可解释性，其中均方根误差（RMSE）对离群值敏感，适用于评估模型在关键构型上的性能边界；平均绝对误差（MAE