arXiv · Materials Science· Hongwei Du, Dingyang Lv, Baole Wei, Yu Ren, Feng Yu, Xin He, Bonan Zhu, Yongda Huang, Yongheng Li, Jianjun Liu, Siqi Shi, Hong Wang, Ziheng Lu·· 22 小时前
多组分材料通用机器学习力场的误差来源：压缩与延展方向不对称
Origins of Universal Machine Learning Force-Field Errors in Multicomponent Materials
arXiv:2610.09837v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Hongwei Du, Dingyang Lv, Baole Wei, Yu Ren, Feng Yu, Xin He, Bonan Zhu, Yongda Huang, Yongheng Li, Jianjun Liu, Siqi Shi, Hong Wang, Ziheng Lu
首次提交：2026-10-07 19:01
研究任务与主要进展
基于论文摘要，作者构建了包含7,599种多组分构型的基准，并在能量、力、应力和弹性、振动及吸附相关性质上评估11个预训练机器学习力场。摘要报告，训练参考环境距离与误差增加存在定性关联，压缩侧力误差在匹配元素对和绝对距离偏差后仍为延展侧的1.81至1.95倍；最大阶数为2和4的球谐表示分别在43种元素中的38种和40种上降低测试力误差。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · Materials Science · arxiv.org