摘要
机器学习原子间势能（MLIPs）以较低的成本近似量子力学能量和力，这些通常通过密度泛函理论（DFT）或波函数方法计算。该领域包含越来越多的算法、训练数据集、超参数和目标材料，但用于系统比较、重现和构建 MLIP 研究所需的元数据仍然分散在论文、脚本和临时文件格式中。
我们提出了 MLIPs 本体，这是一种 OWL 2 DL 本体，捕捉了描述 MLIP 方法、其超参数、具有 DFT 源的训练数据集和已发布基准所需的概念。该本体分为三个模块：方法、训练数据和基准，并连接现有的材料科学（MDO，CMSO/ASMO）和机器学习（ML-Schema）本体，补充数据集侧的模式，如 Croissant。
本体声明了 27 条正式公理，以强制执行数据的完整性和一致性，包括将训练模型与其方法和训练数据链接的属性链。我们通过基于时刻张量势的示例演示了该本体，并通过对 20 篇文献的知识图谱进行能力问题执行、OWL 推理以及与现有本体的比较来评估其有效性。
博主点评： 该研究为机器学习原子间势能的系统化研究提供了重要的基础，尤其在元数据的标准化方面具有显著意义。通过构建本体，研究者们能够更高效地比较和复现相关研究，推动材料科学与机器学习的深度融合。