κSRME基准揭示材料AI的隐患：能量预测同样准，热学性质却天差地别
· 来源：Phys.org
哥伦比亚大学与剑桥团队在《自然·通讯》发文，用热导率基准检验机器学习原子间势，发现部分模型"对了但理由是错的"——靠误差抵消得出正确结果；该基准已被Matbench Discovery收录，Meta、微软等在用。
2026年9月9日，哥伦比亚大学工程与应用科学学院联合剑桥大学的研究者在《自然·通讯》（Nature Communications）发表工作，提出一套物理感知基准κSRME，专门检验机器学习原子间势（MLIP）对原子振动与晶体热导率的预测能力。
结论对材料AI领域是个提醒：一批在能量预测上精度相近、看起来不分伯仲的模型，一旦拿去预测热学性质，表现差距极大。研究者的原话是，"存在这样一些情况：机器学习模型给出了看似合理的预测，但理由是错的"。更具体地说，某些模型之所以算对热导率，靠的是不同环节的误差互相抵消，而不是真的抓住了物理机制。
这正是当前材料AI评测体系的盲区。主流基准大多围绕能量与受力做打分，而能量准确并不蕴含二阶、三阶力常数准确；热导率恰恰依赖后者，因此成了一个能把"物理正确"与"数值凑巧"区分开的探针。
研究覆盖100多种晶体材料；在针对特定材料做过训练后，部分样本的预测可达到与参考计算相差几个百分点的水平。
实用层面，κSRME已被并入Matbench Discovery评测集，Meta、微软以及Radical AI、Orbital Materials等创业公司都在使用。对任何把MLIP用于材料筛选的团队来说，这条新闻的操作含义很直接：把热学基准加进验证流程，别只看能量误差。