MLIPs 迈入自主设计与演化时代

本文介绍了AutoResearch-MLIP系统，这是一个由智能体驱动的机器学习力场（MLIP）自主设计与演化平台。研究背景在于现有科研智能体多聚焦于工具调用和代码生成，缺乏形成完整、可追溯研究过程的能力。研究目的是构建一个能够持续提出假设、修改代码、运行评估、记录失败并利用失败信息指导下一步探索的自主科研闭环。以MLIP为试验场，因其模块化设计（如局域相互作用、特征表示、长程能量项等）天然适合“提出假设→实现代码→评估结果→继承或放弃”的研究循环。系统通过预定义的技能约束框架，确保每个候选模型均来自受控的代码修改，并将失败视为包含约束信息的结果记录，而非简单否定。实验从近零MLP出发，经40代演化、280个候选实验，展示了设计模块的代际积累和非贪心延续策略（高分候选可作为证据，但可能选择分数较低的研究方向）。在周期材料阶段，系统成功验证了实现路径而非重新发现物理规律。外部基准测试表明，最终候选模型在MD22和Sub-OMat24任务上的能量与力误差接近或优于NequIP、Allegro等基线。结论指出，该系统以能量和力误差为评估核心，未来可拓展至表征层的演化，使自主科研循环从搜索高分模型转向设计更可复用和可解释的科学原则。该工作由中国科大机器化学家团队与华为MindSpore Science团队联合开发。