论文摘要： GRACE框架提出了一种新型机器学习原子间势模型，通过树图结构的原子集群展开(Tree-GraphACE)和化学嵌入技术，实现了对周期表89种元素的通用覆盖。该模型在海量数据集预训练基础上，结合知识蒸馏与微调策略，在保持计算效率的同时显著提升精度。测试表明，GRACE在材料稳定性预测、热物理性质和缺陷研究等方面表现卓越，其能量漂移控制在极低水平(5×10⁻⁹eV/atom/ns)，并支持GPU加速和大规模分子动力学模拟。创新性地采用"冷冻权重"策略有效克服了灾难性遗忘问题，使单一模型能适应从高通量筛选到极端环境模拟等多样化应用场景。

Ref：arxiv.org

这篇论文介绍并验证了 GRACE (Graph Atomic Cluster Expansion) 框架，这是一套旨在解决原子尺度模拟中“通用性”与“效率”矛盾的机器学习底座模型。它能够覆盖元素周期表中的绝大多数元素，并提供极高的计算精度与模拟稳定性。

技术文档：GRACE 通用机器学习原子间势模型

1. 核心概述：迈向“通用底座”

传统的机器学习原子间势（MLIP）通常局限于特定的化学体系，每增加一个元素都需要巨大的计算开销进行重新训练。GRACE 改变了这一现状，它通过在海量数据集（如 OMat24、Alexandria）上进行预训练，构建了一个覆盖全周期表的“通用底座”。这使得材料科学家可以利用单一模型，实现跨越整个周期表的高保真度模拟。

2. 核心性能指标：Pareto 前沿的统治力

在原子间势的评估中，“精度”与“计算成本”通常是鱼与熊掌不可兼得。GRACE 模型通过多项基准测试证明，它确立了新的 Pareto 前沿（即在同等计算速度下精度最高，或在同等精度下速度最快）。

评估维度表现摘要关键指标稳定性预测在 MatBench Discovery 基准中表现卓越，能准确识别稳定晶体。F1 Score 处于领先水平热物理性质准确捕捉非谐性贡献，预测热导率的能力极强。$\kappa_{SRME}$ 误差极低弹性与缺陷精确描述弹性常数 $C_{ij}$、晶界、表面能及点缺陷。误差显著低于同类模型计算效率支持 GPU 加速与 LAMMPS 集成，支持大规模长时间 MD。可达 10-100 $\mu s/atom/step$

3. 关键技术点（Key Technical Points）

A. 基于树图的原子集群展开 (Tree-Graph ACE)

GRACE 将传统的 ACE（原子集群展开）扩展到树图结构。

数学完备性： 建立了一个正式完备的数学基组，用于描述局部和半局部的原子环境。

物理对称性： 严格保证旋转不变性、平移不变性和置换不变性。

递归评估： 采用双递归计算（Double-recursive evaluation），其复杂度随递归层数线性缩放。

B. 化学嵌入 (Chemical Embedding)

为了处理 89 种元素的海量交互，GRACE 将复杂的化学环境投影到低维嵌入空间。

这种方法利用了元素间的内在相关性（如碱金属之间的相似性），极大地减少了参数数量。

C. 知识蒸馏与微调 (Distillation & Fine-tuning)

GRACE 不仅是一个庞大的底座模型，还具备极强的适配性：

微调 (Fine-tuning)： 在特定的二元体系（如 Al-Li）或特定反应（如氢气燃烧）的小数据集上继续训练，可迅速提升特定场景的精度。

知识蒸馏 (Knowledge Distillation)： 采用“教师-学生”模式，将复杂的两层（2L）GRACE 模型蒸馏为更简单的（FS）模型，在损失极小精度的情况下获得近 70倍 的加速。

D. 克服灾难性遗忘 (Catastrophic Forgetting)

论文提出了一种“冷冻权重”策略。在微调新数据时，只更新特定层的系数，而保持化学嵌入和径向函数不变，从而在学习新化学性质的同时，保留对原始周期表知识的掌握。

4. 应用场景

高通量材料筛选： 快速寻找具有热力学稳定性的新材料。

极端环境模拟： 如熔盐堆中的 FLiBe 熔盐，模拟其长达 1ns 的动力学行为，能量漂移微乎其微（$5 \cdot 10^{-9} eV/atom/ns$）。

复杂缺陷研究： 预测金属中的晶界形成能与空位迁移。