使用大语言模型探测以原子为中心的结构描述符的极限

arXiv:2607.26984v2 公告类型：替换-交叉 Abstract：将原子结构映射为一组紧凑的几何描述符，是任何应用于原子尺度建模的机器学习方法中的关键步骤。一种强大且应用广泛的方法，可以理解为对原子对距离、三角形等的直方图进行离散化，从而得到一套具有对称性不变性的、以原子为中心的描述符层级。不幸的是，人们发现该层级中较低的层次（二、三、四近邻簇）并不完备：存在在对称性上无关的结构对，却具有完全相同的描述符。然而，迄今报告的所有“简并”现象，都可以通过考虑更大的邻居簇来构建描述符而得到消除。借助大语言模型，我们发现了若干三维结构：即使考虑最多包含七个邻居的簇，它们仍无法被区分；在对描述符采用实际可行程度的离散化时，即使达到任意阶数，它们仍然不可区分。构造这些结构的关键要素，可以追溯到不同学科领域中数十年前已知的研究成果：该模型能够找到相关文献，并认识到这些成果对于当前问题的重要性。我们认为，这项实验揭示了人工智能在科学研究中一种极具潜力的应用模式：在不同学术群体和应用领域之间转译研究成果，加速一个领域中的偶然发现转化为另一个领域中的突破。