Nature Machine Intelligence | 帝国理工Walsh课题组：基础机器学习势函数的"柏拉图式表征"——通向可互通、可比较、可解释的AI材料模型

本文研究背景为多种基础机器学习原子间势函数（MLIPs）虽加速原子模拟，但因架构、训练数据和损失函数差异导致隐空间不兼容，无法直接比较或复用。研究目的是验证“柏拉图表征假说”是否适用于MLIPs，即不同模型是否收敛于共享的几何表征，并开发统一框架以实现跨模型互通。结论表明，七个独立训练的代表性MLIPs在提出的“锚点投影”框架下确实收敛到物理监督塑造的一致化学几何，该收敛源于能量/力的监督而非数据本身。基于此，实现跨模型嵌入算术、零样本模型拼接及结构异常检测等下游应用。柏拉图空间成为诊断灾难性遗忘、对称性破缺和结构典型性的通用工具，为AI材料模型的可互通、可比较与可解释奠定了基础。