MLIPs 迈入自主设计与演化时代

本文介绍了一项名为AutoResearch-MLIP的自主科研系统，它以机器学习原子间势（MLIPs）为研究对象，实现了从假设提出、代码修改、评估到失败记录和分支决策的完整闭环研究演化。背景方面，现有科研智能体多聚焦于工具调用和自动实验，但缺乏对可追溯研究过程的关注；MLIP因其模块化设计，成为检验自主科研系统演化能力的理想试验场。研究目的在于构建一套能让智能体持续提出设计假设、修改代码并记录失败经验的系统，且每一步都有据可查。核心方法包括：设定技能约束框架，确保智能体只能修改候选MLIP代码而不改变评估器；从近零模型出发，经过40代、280个候选的演化，积累设计模块如局域消息传递、长程能量项等。结论表明，系统不仅能通过受控修改产生高分模型，还能利用失败记录指导非贪心搜索方向——例如高分候选作为证据保留，而分数较低但可解释性更强的分支被继续探索。在外部基准测试中，第40代候选在能量和力误差上接近或优于NequIP、Allegro等基线，证明了自主演化框架的有效性。未来方向包括从误差优化扩展到表征层演化，以发现更可复用的设计原则。