面向机器学习力场的成键感知表征学习

基于摘要分析。本文研究机器学习力场（MLFFs）如何表征分子动力学中的成键状态变化及伴随的电荷重分布，提出成键感知表征框架，在建模局部原子对的同时显式满足给定总电荷的守恒约束。其主要研究对象是分子能量、力与分子动力学模拟，而非 EEG 或 BCI。 机制上，作者指出，基于固定截断半径的局部几何邻域通常主要通过相对位置描述原子对，未显式编码键连接关系及动力学中的连续成键状态变化。所提方法将局部原子对作为二部键关联图中的节点，为每个原子对配置包含取向不变分量和取向等变分量的结构化状态：前者表征潜在成键信息，后者编码带符号的电荷转移流。通过带符号关联矩阵聚合，该框架构造不依赖原子对取向的原子电荷，并精确保持预设总电荷。这里的取向性质涉及原子对表示及电荷流的符号一致性，摘要未提供具体变换定义与实现公式。 作者报告，在 rMD17、MD22、Chignolin、Transition1x 和 HORM 上开展评估，覆盖非平衡及反应性分子动力学场景，模型的能量与力预测精度均有改善；作者还报告了分子动力学模拟中的稳定性与能量漂移分析。摘要未给出具体指标数值、数据划分、对照模型及模拟条件，因此不能量化提升幅度或比较不同协议下的表现。 复现时需核对原子对与图的构造、总电荷约束的实现、训练目标，以及稳定性和能量漂移的评估条件。实验协议、消融及统计信息尚未验证，代码与完整复现条件亦尚未验证。现有材料未建立该分子成键与电荷守恒机制对应 EEG/BCI 瓶颈的具体路径，不据此推导神经信号建模收益。