1. 项目概述：为什么我们需要“小单元训练”？

在材料模拟的世界里，我们一直面临着一个核心矛盾： 精度与成本的权衡 。第一性原理计算（如密度泛函理论，DFT）能提供近乎“上帝视角”的原子间相互作用描述，精度极高，但计算成本昂贵得令人咋舌，通常只能处理几百个原子、皮秒尺度的模拟。而传统的经验势函数（如EAM、MEAM）虽然计算飞快，但其拟合形式固定，泛化能力差，往往只对特定体系有效，换个材料或条件就可能完全失灵。

机器学习势函数（Machine Learning Interatomic Potentials, MLIPs）的出现，一度让我们看到了曙光。它像是一个“学霸”，通过机器学习算法（如神经网络、高斯过程、矩张量势MTP等）从DFT计算的高质量数据中学习，既能逼近DFT的精度，又能以经验势函数的计算速度运行大规模分子动力学（MD）模拟。然而，这个“学霸”的培养成本——也就是 训练成本 ——成了新的瓶颈。训练一个可靠的MLIP，需要生成海量的DFT计算数据，这个过程本身就可能消耗成千上万个CPU小时，甚至更多。

那么，有没有一种方法，能在不牺牲模型预测能力的前提下，大幅削减这个训练成本呢？我最近深度实践并验证了一种策略，它听起来有点反直觉，但效果惊人： 小单元训练 。简单说，就是别再一上来就用成百上千个原子的大超胞去做主动学习采样了，转而使用仅包含 2到54个原子 的极小周期性单元来构建你的训练集。我们的实践表明，对于金属钾（K）体系，这种方法能将训练成本从数千CPU小时压缩到 区区120个CPU小时 ，降幅达两个数量级；对于更复杂的钠钾（NaK）合金，成本也从难以企及的高位降至约1700 CPU小时。最关键的是，用这种“廉价”方式训练出的势函数，在预测固体弹性常数、液态径向分布函数、熔点等一系列关键性质时，表现与用大单元训练出的势函数不相上下。

如果你正在为MLIP高昂的训练成本发愁，或者想快速为一个新体系构建可用的势函数进行初步探索，那么这篇关于“小单元训练”策略的深度解析，就是为你准备的。接下来，我将拆解其背后的原理、手把手展示实操流程、分享我们踩过的坑以及提炼出的核心技巧。

2. 核心思路拆解：小单元为何能“四两拨千斤”？

初听“小单元训练”，很多人第一反应是怀疑：用几个、几十个原子的小盒子，怎么可能学会描述包含缺陷、界面、相变等涉及长程效应或集体行为的大尺度现象？这岂不是“盲人摸象”？

这个质疑点到了关键。要理解小单元训练的可行性，我们必须跳出“MLIP直接学习宏观现象”的误区。 MLIP学习的本质是局域原子环境 。无论势函数的形式是MTP、神经网络还是其他，其核心输入都是一个原子周围截断半径内的邻居信息。模型的任务是建立这种 局域原子环境 与 原子能量/受力 之间的映射关系。

2.1 理论基石：局域性原理与采样充分性

1. 局域性原理 ：在大多数固体和液体中，原子间的相互作用是短程的。对于金属钾，我们将MTP的截断半径设为7 Å。这意味着，决定一个原子受力的，仅仅是其周围7 Å内的几十个邻居。只要我们的训练集能充分覆盖这个截断球体内可能出现的 所有典型原子排列方式 （即局域环境），那么模型就具备了描述更大体系的基础。
2. 采样充分性 ：问题的核心从“模拟大体系”转变为“如何高效枚举所有重要的局域环境”。大单元MD模拟固然能自然产生这些环境，但其中包含大量重复、相似的局域构型，计算冗余度高。相反，小单元训练通过精心设计、 高度并行化的随机分子动力学（MD）模拟 ，在高温、高压、不同晶格应变等多样化的条件下，驱动小超胞剧烈演化。由于原子数少，体系更容易被扰动，在相同的模拟时间内能探索更广泛的构型空间。这就像用多个小探针（小单元）去快速扫描整个能量景观的不同角落，而不是用一个笨重的大探针（大单元）缓慢地犁地。

2.2 成本优势的量化分析

成本节省主要来自DFT计算环节，这是训练流程中最耗时的部分。DFT的计算成本通常与原子数的3次方（O(N³)）甚至更高次方相关。

• 大单元训练 ：一个包含54个原子的K超胞，一次DFT单点能计算可能需要数十分钟。
• 小单元训练 ：一个仅含2个原子的原胞，同样的计算可能只需几秒钟。

假设我们需要采样1万个不同的原子构型。使用54原子单元，DFT总成本可能是 10,000 * 30分钟 = 5000小时 。而使用2原子单元，成本可能仅为 10,000 * 5秒 ≈ 14小时 。这还没考虑小单元在内存占用和并行效率上的优势。在我们的钾案例中，最终训练集的DFT计算仅消耗了253个CPU小时，而传统大单元方法（NBH08(54-54)）仅DFT部分就可能超过这个数。

2.3 潜在风险与应对策略

当然，小单元训练并非完美无缺，我们的研究也明确揭示了其局限性：

• 力预测偏差 ：小单元训练出的模型，其力的预测均方根误差（RMSE）通常比大单元模型更高，并且残差分析显示存在轻微的 偏向零力的偏差 （见图7）。我们推测，这可能是由于小周期性单元中更容易形成完美的晶体状结构，这些结构本身受力就很小，导致模型对“小力”环境过拟合。
• 长程相互作用缺失 ：对于像金属钾这样具有长程电子相互作用的体系，7 Å的截断半径可能无法完美描述其内聚能（Cohesive Energy），这在图10的方程状态曲线的高应变区域可以看出。对于表面能等更依赖长程作用的性质，小单元训练可能力有不逮。

应对策略 ：

• 提升模型复杂度 ：使用更高阶的MTP（如从Level 8提升到Level 16）可以部分缓解力偏差问题，因为更复杂的基函数能捕捉更精细的局域环境变化。
• 训练集稀疏化 ：主动移除训练集中大量高度相似的小单元构型（即“稀疏化”），可以提升剩余构型的多样性权重，改善模型性能（见图8）。
• 引入少量大单元 ：在训练后期，混合少量（如5-10%）的大单元（54原子）构型，能为模型提供更真实的、包含更多原子协作信息的环境，有效纠正有限尺寸偏差（见图9）。
• 混合势函数策略 ：对于明确的长程相互作用问题，一个成熟的解决方案是构建 混合势函数 。例如，用经验对势（如Lennard-Jones）或ZBL势处理长程和短程排斥部分，再用MLIP作为“校正项”精准描述中间范围的多体相互作用。这虽超出本文范围，但无疑是解决根本问题的方向。

理解了“为什么可行”以及“需要注意什么”，我们就可以进入实战环节了。

3. 实操流程：从零构建一个小单元训练的MLIP

这里，我以使用 MLIP-3软件包 和 Quantum Espresso (QE) 作为DFT引擎为例，详细拆解构建一个钾（K）金属MLIP的完整流程。整个流程可以高度自动化，但理解每一步的意图至关重要。

3.1 环境准备与参数收敛

工欲善其事，必先利其器。在开始主动学习循环前，必须确保DFT计算本身的参数是收敛的。这一步的目标是：用尽可能低的计算成本，获得足够精确的单个原子能量、力和维里应力。

步骤1：确定DFT计算参数 我们使用PBEsol泛函和模守恒赝势。关键参数有两个：

1. 平面波截断能（Cutoff） ：我们通过测试2原子原胞在不同截断能下的单原子能量来确定。如表A.7所示，对于K，能量在60 Ry时基本收敛。我们最终选择60 Ry，略高于文献推荐的最低值41 Ry，以保安全。
2. k点网格 ：对于小单元，需要更密的k点网格来准确采样倒易空间。我们为不同大小的原胞测试了k点网格。例如，对2原子原胞，使用8x8x8的Monkhorst-Pack网格；对54原子超胞（3x3x3原胞），则使用3x3x3网格（见表A.9-A.14）。核心原则是： 确保每个方向的k点密度（k-point density）大致相当 ，使得不同尺寸胞体的计算精度处于同一水平。

注意 ：这一步的收敛测试是针对“单点能”的。如果后续非常关注弹性常数等对能量二阶导数敏感的性质，则需要以弹性常数收敛为准进行另一轮更严格的测试（如使用200 Ry截断能和30x30x30 k点网格，见表A.15，A.16）。但在小单元训练初期，以能量收敛为准是性价比最高的选择。

步骤2：准备初始训练集 小单元训练不是从零开始。你需要一个 小而精的种子数据集 。对于简单的BCC钾，我们可以从以下构型开始：

• 完美BCC晶体（2原子原胞）。
• 施加了±5%各向同性应变（Hydrostatic Strain）的BCC晶体。
• 随机扰动原子位置后的结构（用于打破对称性）。 这个初始集可能只有5-10个构型，但覆盖了平衡态附近的基本变形。

3.2 主动学习循环：核心引擎

这是小单元训练的灵魂，一个自动化的“探索-标注-学习”循环。MLIP-3软件包提供了两种不确定性量化（UQ）模式来指导探索： 邻域模式（Neighborhood Mode） 和 构型模式（Configuration Mode） 。我们的实践表明，对于小单元训练， 构型模式在成本和效果上更具优势 。

以下是循环的每一步详解：

步骤3：启动主动学习脚本 我们使用自定义的Python脚本（例如 activeLearnPotential.py ）来驱动整个流程。脚本读取一个JSON配置文件，其中定义了所有超参数：MD模拟的盒子大小范围（如2-54原子）、温度范围（如300-1500 K）、压力范围、MTP的截断半径（7 Å）和级别（Level）、不确定性选择阈值（γ_select，通常设为2.1）等。

步骤4：并行MD采样与构型筛选

1. 并行MD ：脚本启动数十个并行的LAMMPS MD模拟。每个模拟使用当前最好的MTP势函数，在一个 随机尺寸 （在2-54原子范围内随机选择）的周期性盒子中运行。模拟条件（温度、压力）也在预设范围内随机化。这些模拟的目的是 广泛探索相空间 ，而不是进行物理上精确的长时间模拟。
2. 构型捕获 ：在MD过程中，定期（如每10步）从轨迹中提取“快照”（即原子构型）。
3. 不确定性量化（UQ） ：对于每个捕获的快照，用当前MTP模型集合（通常由24个略有差异的模型组成）进行预测。 构型模式 会计算该构型在所有模型预测下的 描述符空间中的“体积” （基于MaxVol算法）。如果这个构型位于当前训练集所张成的描述符空间的边界之外（即不确定性高），它就会被标记为候选。

步骤5：DFT计算与数据标注 将所有被标记为高不确定性的候选构型，提交给Quantum Espresso进行DFT单点能计算。这一步获取每个构型中每个原子的 精确能量、受力和维里应力 。这是整个流程中最耗时的部分，但得益于小单元，每个任务都很快。

实操心得 ：在此环节，集群作业调度策略很重要。我们准备了两个版本的脚本：一个用于固定核心分配（ main 分支），使用信号量管理DFT任务队列；另一个用于动态资源分配（ floatingAllocation 分支），将MD和DFT作为独立的SLURM作业提交。后者效率更高，但对集群策略和稳定性要求也高。

步骤6：数据合并与模型再训练 将DFT计算得到的新数据（能量、力、应力）与原有训练集合并。然后，用这个扩增后的数据集，重新训练（拟合）MTP模型。MLIP-3使用线性最小二乘法拟合矩张量系数，这个过程通常很快。 关键检查点 ：监控训练误差（能量和力的RMSE）和测试误差（在一个预留的、未见过的测试集上）是否随着循环进行而下降并趋于稳定。通常，经过若干轮（如10-20轮）循环后，主动学习过程将很难再找到高不确定性的新构型，意味着模型在设定的采样空间内已趋于完备。

3.3 训练后验证：你的MLIP真的可靠吗？

模型训练完成，绝不意味着工作结束。 严格的基准测试 是检验MLIP泛化能力的唯一标准。我们不应只相信训练集上的误差，而要用模型去预测一系列 它从未在训练中见过 的物理性质，并与DFT或实验值对比。

我们为钾和NaK合金设计了以下测试套餐：

测试类别	具体性质	测试方法	目的
固体性质	1. 状态方程（EOS）	计算不同晶格常数下的能量，拟合Birch-Murnaghan方程。	检验模型在平衡位置附近能量曲面的准确性。
	2. 晶格参数	对BCC, FCC, SC, HCP等结构进行能量最小化。	检验模型对不同晶体结构的相对稳定性预测。
	3. 弹性常数 (C11, C12, C44)	施加微小应变（±1%），通过能量-应变关系计算。	检验模型对材料刚度的预测，对势能面二阶导数敏感。
	4. 不稳定层错能（USFE）	使用z-relax方法计算BCC晶体(110)<111>滑移系的USFE。	检验模型对缺陷核心能量的预测，与塑性变形相关。
	5. 空位形成能与迁移能	在53原子超胞中创建空位，进行能量最小化和NEB计算。	检验模型对点缺陷行为的预测。
液体性质	1. 径向分布函数（RDF）	在408 K下运行NPT MD，计算g(r)。	检验模型对液态结构描述的准确性。
	2. 熔点	使用固-液两相界面法（NPT-interface method）进行模拟。	检验模型对一级相变温度的预测能力。
	3. 比热临界指数	在临界点附近计算定容比热Cv，进行标度律拟合。	检验模型对长程涨落和临界现象的捕捉能力。
合金性质 (NaK)	1. C14 Laves相状态方程	同固体EOS测试。	检验模型对复杂合金相的预测，尽管训练时未专门包含此相。
	2. 共晶液体密度、比热	在特定温度压力下运行MD，计算热力学量。	检验模型对合金液相性质的预测。
	3. 平均径向分布函数	与中子衍射实验数据对比。	检验模型对合金液态局部结构的预测。
	4. 共晶熔点	使用两相界面法，构建包含C14和BCC两相的初始界面。	检验模型对合金相变温度的预测。

结果解读与模型选择 ： 通过上述测试，我们可以全面评估模型的性能。在我们的案例中，所有小单元训练的MTP模型（如NBH12(2-54)）在绝大多数性质上都与DFT或实验值吻合良好（见图10-14，表11）。一个有趣的发现是： 对于弹性常数，某些小单元训练的MTP甚至比用来训练它的DFT（仅能量收敛）结果更接近高精度DFT（弹性收敛）的结果 （见表3）。这表明MTP在拟合过程中，通过对大量不同应力状态构型的训练， 平均并优化了DFT的误差 ，从而获得了更好的物理描述。

如果某些关键性质（如熔点）预测偏差较大，则可能需要回到主动学习循环，调整采样策略（例如，在熔点附近进行更密集的采样），或者引入针对性的训练构型（如明确的固-液界面模型）。

4. 关键技巧与避坑指南

基于我们训练钾和NaK合金势函数的实战经验，我总结出以下必须注意的要点和技巧，这些在官方文档里往往不会细说。

4.1 超参数选择：平衡探索与利用

1. MTP级别（Level）的选择 ：级别越高，基函数越多，模型越灵活，但也更容易过拟合，且训练和推理速度越慢。 从低级别（如Level 8）开始 。如果测试误差（特别是力的误差）居高不下，再尝试提升级别。对于钾，Level 12-16已足够；对于更复杂的NaK合金，我们使用了Level 18。
2. 不确定性阈值（γ_select） ：这是主动学习的“探索-利用”平衡杆。阈值设得太低（如1.5），会导致大量“简单”构型被选中，浪费DFT资源；设得太高（如3.0），则探索不足，模型可能遗漏重要区域。 2.0-2.5是一个经验上的安全范围 。我们的研究使用了2.1。一个高级技巧是使用 自适应阈值 ：在训练初期设置较低的阈值以广泛采样，后期逐步提高以聚焦于难例。
3. MD采样条件 ：温度、压力和盒子尺寸的随机范围需要根据你的体系物理设定。对于金属，温度范围应覆盖从室温到熔点以上；压力范围可包含负压（拉伸）以采样缺陷形核。 小单元的尺寸范围是核心 ：我们从2原子开始，上限设置为54原子。我们的数据显示，将上限从8原子提高到54原子能持续改善力误差，但收益递减（见图9）。 建议从2-16原子开始，如果力误差或特定性质预测不佳，再考虑引入少量32或54原子的构型 。

4.2 应对小单元训练的固有偏差

1. 力偏差的监控与修正 ：务必绘制力的预测残差图（Predicted vs. DFT Force）。如果发现小单元模型预测的力系统性偏向零（即对于DFT计算出的较大力，模型预测值偏小），这就是小单元偏差的信号。 立即采取的行动包括 ：

   • 提升MTP级别 ：如图7所示，更高级别的模型（NBH16）能显著减轻此偏差。
   • 实施训练集稀疏化 ：使用MLIP-3内置工具或自定义脚本，移除训练集中大量高度相似的小单元构型。如图8所示，这对小单元模型（NBH12(2-54)S）有改善作用，但对大单元模型可能适得其反。
   • 引入大单元构型 ：在训练集末尾，加入5-10个通过大单元MD采样得到的高不确定性构型。这是纠正偏差最直接有效的方法之一。

2. 长程相互作用的处理 ：如果你的体系有明显的长程力（如离子体系、范德华体系），7-8 Å的截断半径可能不够。此时，小单元训练 必须 与 混合势函数 策略结合。可以先用一个经验对势（如Buckingham势）或ZBL势作为“基底”，描述长程部分，再用MTP作为“校正项”。MLIP-3支持这种混合模式，需要在训练时将对势的能量和力作为“基线”从DFT数据中扣除，让MTP只学习剩余的多体相互作用部分。

4.3 复杂体系（如合金）的训练策略

训练二元或多元合金的MLIP比单质更复杂。我们的NaK案例提供了一个可行的范式：

1. 分步训练法 ： 不要一开始就训练合金 。先分别用纯钾（K）和纯钠（Na）的小单元协议，训练出两个单质势函数。这个过程相对快速、成本低。
2. 合并与继承 ：将K和Na的训练集合并，作为NaK合金训练的 初始训练集 。然后，在NaK的主动学习循环中，MD模拟需要在随机浓度（Random Concentration）的合金超胞中进行。这意味着在MD过程中，需要定期（如每10步）随机交换原子类型，以充分探索化学无序。
3. 关注收敛速度 ：合金体系的势能面更复杂，模型拟合可能收敛更慢。在我们的案例中，NaK的拟合迭代经常达到默认的1000次上限。 需要耐心，并可能需要分配更多计算核心进行拟合 。最终NaK的训练成本（~1700 CPU小时）远高于单质钾，但仍远低于传统大单元方法。

4.4 软件与工作流实战细节

1. 数据格式转换 ：MLIP-3默认支持VASP格式。使用Quantum Espresso需要自己编写转换脚本。关键点有三： 能量偏移 （将DFT能量零点与真空原子对齐）、 维里应力处理 （MLIP-3内部格式需要应力乘以体积）、 单位转换 （确保全部转换为eV和Å）。
2. 并行策略 ：小单元训练的优势在于DFT任务的“短平快”。要最大化利用集群资源，建议将每个DFT任务作为独立的、短时作业提交。我们的 floatingAllocation 分支脚本就是这样做的，但它要求集群作业排队时间短，否则会拖慢整个主动学习循环。
3. 版本控制与可复现性 ：将整个训练流程的配置文件、脚本和最终模型归档。记录下所有超参数、软件版本（MLIP-3, QE, LAMMPS的精确版本号）。这对自己后续改进和他人复现至关重要。

5. 性能评估与结果分析

经过上述流程，我们得到了一系列不同配置训练出的MTP模型。如何客观评价“小单元训练”策略的成功与否？我们不仅要比对误差曲线，更要看它预测真实物理性质的能力。

5.1 误差分析：训练误差 vs. 测试误差

首先看最基本的指标。图5（在原文中）显示了一个有趣的现象： 小单元训练模型在训练集上的能量误差通常比大单元模型更小，但力的误差更大 。这印证了之前的分析：小单元缓解了“能量来源归属”问题（DFT只给出总能量，需要分摊到每个原子），使得能量拟合更准；但同时，小单元中力的动态范围较小，导致模型对力的学习不足。

测试误差（在独立测试集上）的趋势类似。但更重要的是 力残差图 （图7）。它能清晰显示是否存在系统性偏差。我们看到，小单元模型（NBH08(2-54)）的力残差呈现出轻微的负斜率，即模型倾向于预测更小的力（偏向零）。而大单元模型或更高级别的小单元模型，这种偏差得到缓解。

5.2 固体性质预测：超越误差的物理一致性

误差数字是冰冷的，物理性质才是温热的。表11（在原文中）汇总了所有模型对固体钾一系列性质的预测。令人振奋的是， 所有MTP模型，无论大小单元训练，预测的晶格参数、相对能量、空位形成能等都与DFT参考值高度一致 ，误差通常在千分之几的量级。

弹性常数是一个更严峻的考验。我们发现，所有Level 16及以上的MTP，其预测的C11, C12, C44都与高精度DFT（弹性收敛）结果吻合得很好，甚至优于用来训练它们的“能量收敛”DFT结果。这强有力地证明了MLIP的“数据平均”和“泛化”能力：即使训练数据有噪声，模型也能通过学习大量多样化的局域环境，提炼出更准确的物理规律。

5.3 液体与相变性质： emergent behavior 的考验

液体性质和相变是典型的“涌现行为”，源于大量原子的集体相互作用。小单元训练的模型能预测好吗？

• 径向分布函数（RDF） ：图12显示，所有MTP预测的液态钾RDF与X射线衍射实验数据高度吻合，第一峰的位置和形状几乎完美复现。
• 熔点预测 ：使用两相界面法，小单元模型预测的钾熔点集中在315-325 K之间，与实验值336.65 K存在约10-20 K的偏差。这个偏差在计算材料学的可接受范围内，且与另一项使用MTP的研究结果（309.52 K）接近。值得注意的是，在模拟过程中，最大外推等级（γ_max）仅略高于选择阈值，说明模���在相变界面处仍处于相对可靠的区间内。
• 临界指数 ：计算比热临界指数α’是检验模型对长程涨落描述能力的终极测试之一。表4显示，小单元模型（CFG08(2-54)）和大单元模型（NBH08(54-54)）在不同尺寸体系下计算出的α’值，在误差范围内与三维伊辛普适类的理论值（0.110）一致。这有力地反驳了“小单元无法捕捉长程效应”的质疑——只要局域相互作用学对了，宏观涌现性质自然会呈现。

5.4 复杂合金案例：NaK的挑战与成功

NaK合金的测试更具挑战性，因为训练时并未专门针对C14 Laves相进行采样。

• C14相状态方程 ：图13显示，MTP预测的C14相EOS与DFT计算值高度重合，晶格常数预测误差仅0.013 Å，能量误差仅0.003 eV/atom。
• 液态合金性质 ：预测的共晶成分液体密度（表6）和平均RDF（图14）与实验值吻合良好。比热预测值（954 J/kg/K）也与实验值（971 J/kg/K）非常接近。
• 共晶熔点 ：预测值（245-250 K）与实验值（260.5 K）及另一项ab initio研究结果（268 K）合理接近。然而，我们遇到了一个 重结晶问题 ：在熔点模拟中，固-液界面停止移动后，固体部分未能形成完美的C14+BCC晶体，而是形成了非晶态。后续分析表明，MTP和DFT都认为晶体相能量更低，问题可能出在 动力学能垒 上——训练过程中缺乏对这种复杂固-液界面重构过程的充分采样。这提示我们，对于复杂相变，可能需要在训练集中 手动引入相关的界面或缺陷构型 ，或者使用更灵敏的不确定性量化指标来捕获这些稀有事件。

6. 方案对比、局限性与未来方向

6.1 小单元 vs. 大单元 vs. 构型模式 vs. 邻域模式

我们的研究对几种方案进行了头对头比较，结论非常清晰：

训练策略	核心思想	计算成本 (CPU小时)	优点	缺点	适用场景
大单元训练 (传统)	在目标现象尺度（如包含缺陷的超胞）上进行主动学习。	高 (e.g., >1000 for K)	采样环境与目标应用直接相关；力预测误差小，无系统偏差。	DFT计算成本极高；内存需求大；探索构型空间效率较低。	计算资源极度充裕；针对单一、明确物理过程的势函数开发。
小单元训练 (构型模式)	在极小单元(2-54原子)中，基于构型描述符的不确定性进行主动学习。	极低 (e.g., ~120 for K)	成本降低1-2个数量级 ；内存占用小；可快速生成高质量初猜势函数。	引入力的系统偏差；可能遗漏某些依赖于大尺度协作的局域环境。	快速原型开发 ；资源有限情况下的首选；作为 预训练 步骤。
小单元训练 (邻域模式)	在极小单元中，基于原子局部环境的不确定性进行主动学习。	低 (但比构型模式高3-5倍)	理论上更关注原子尺度的“未知”环境。	成本高于构型模式；对于小单元，其选择的“大环境”收益有限（见图9）。	当构型模式效果不佳时尝试；或对原子尺度环境多样性有极端要求。
小单元预训练+大单元微调	先用小单元快速训练一个基础模型，再在特定的大尺度模拟中进行“在线学习”微调。	中等	兼顾了成本与精度；基础模型已覆盖大部分常见环境，微调只需少量额外数据。	流程稍复杂，需要两阶段。	推荐的主流实践 。先快速获得一个可用模型，再针对特定应用场景进行精准优化。

我们的明确建议是：对于绝大多数情况，首先采用小单元训练（构型模式）作为快速预训练方法。 如果后续针对特定性质（如熔点、缺陷迁移）的模拟发现精度不足，再在那个特定的大尺度模拟中开启主动学习进行微调。这种“预训练-微调”范式在机器学习和计算材料学中都是最高效的。

6.2 当前方法的局限性

没有任何方法是银弹，小单元训练也不例外：

1. 对不确定性量化（UQ）方法的依赖 ：小单元训练的成功，高度依赖于UQ方法能否有效识别“有价值”的新构型。MaxVol方法在描述符空间工作，可能无法感知某些在真实构型空间中重要但描述符相似的环境。UQ估计的是方差，而非绝对误差，两者并不总是完全相关。
2. 对MLIP形式的限制 ：该方法最适用于像MTP、SNAP、ACE这类具有 明确截断半径 的局部MLIP。对于像MACE这类消息传递势，其感受野不固定，小单元训练的意义需要重新评估。
3. 复杂现象采样不足 ：如NaK案例中的重结晶问题所示，对于涉及复杂集体动力学或高能垒的过程，仅靠随机MD的小单元采样可能不够。需要结合 增强采样技术 （如元动力学、平行回火）或 针对性构型生成 （如使用USPEX、RandSpg等随机结构生成器，或手动添加界面、位错核等）。

6.3 给实践者的最终建议与扩展思考

基于超过一年的实践，我个人对小单元训练策略的体会是： 它极大地 democratize（平民化）了高质量MLIP的开发 。以前需要大型计算集群数周才能完成的任务，现在用一台高性能工作站一两天就能得到可用的初步结果。

如果你想尝试，这是我的行动清单 ：

1. 从简单体系开始 ：先在一个已知的、简单的单质体系（如铝、铜、硅）上复现整个流程，熟悉工具链和参数敏感性。
2. 严格进行基准测试 ：不要只看训练误差。务必用第3.3节的“测试套餐”全面评估你的模型。这是检验模型是否“真的学会”了物理，还是仅仅“记住”了训练数据的唯一方法。
3. 拥抱混合策略 ：将小单元训练视为强大的 预训练工具 。用它快速得到一个基础模型，然后针对你的具体科学问题（例如模拟裂纹扩展、离子扩散），设计专门的大尺度模拟，并在这个模拟过程中开启主动学习进行微调。这样既能控制成本，又能保证最终模型的专项精度。
4. 关注社区进展 ：不确定性量化（UQ）方法是该领域的前沿。关注像贝叶斯神经网络势函数、基于模型方差的新UQ指标等进展，它们可能进一步提升小单元采样的效率和可靠性。

最后，我想强调一个根本性的观念转变： MLIP不是通过模拟大体系来“学习现象”，而是通过学习海量小单元中的“局域环境”来“内化物理规律” 。只要你的训练集能覆盖目标应用中可能出现的所有典型局域环境，那么无论最终模拟的体系有多大，时间有多长，你的MLIP都能可靠地工作。小单元训练，正是实现这种“覆盖”的最高效路径。它未必是终点，但绝对是让你快速起跑、验证想法、并迭代优化的最佳起点。