研究进展：AI+材料-机器学习力场DFT，计算精度≠实验可靠 | Nature Computational Science

背景：通用机器学习力场(UMLFF)有望以高精度和低成本实现大规模原子模拟，但现有模型主要在计算数据集上训练，评价指标集中于静态结构误差，难以反映实际材料性能。研究目的：印度理工学院和英特尔实验室团队提出UniFFBench评估框架，并构建实验驱动的MinX数据集，涵盖85种元素、极端热力学条件和复杂多元素组成，通过实验弹性数据评估模型泛化能力。结论：对六种UMLFF（CHGNet、M3GNet、MACE、MatterSim、SevenNet、Orb）的系统评估显示，不同模型分子动力学稳定性差异显著，最佳模型密度预测误差约10%（远超可接受的2.5%阈值），CHGNet和M3GNet超85%模拟崩溃，弹性模量误差普遍超过15%。误差根源在于训练数据偏重氧化物而缺少复杂体系，而非算法优劣。研究指出，计算基准高分不等于实验可靠，DFT训练与真实材料间存在巨大鸿沟。