夜雨聆风在 AI for Science 浪潮中，机器学习原子间势函数（MLIP）已经成为材料模拟的明星工具。然而面对真正复杂的磁性材料，传统 MLIP 往往束手无策——因为原子的磁矩自由度无法被有效编码。Skoltech、HSE 大学与加州理工学院的联合团队带来了一项关键突破：他们以 Fe-Pd 体系为案例，发布了 spin-MLIP 软件包，用主动学习算法自动构造共线磁性 Moment Tensor Potential 的训练集，并通过软约束自旋极化 DFT 计算生成非平衡磁矩下的数据。这是一套让 AI 势函数真正"长出磁性肌肉"的工具链，对所有从事铁磁、亚铁磁、自旋玻璃和磁性合金研究的研究者而言都意义重大。
磁性材料为何成为AI势函数的"硬骨头"？
磁性材料一直是凝聚态物理与材料工程交叉地带的明星，从永磁体、磁存储介质到自旋电子器件，再到航天结构合金中的铁基与镍基合金，磁性几乎无处不在。然而，对磁性材料进行高精度原子尺度模拟，至今仍是一个极具挑战的课题。原因在于：原子的位置自由度与磁矩自由度紧密耦合，势能面不仅依赖于核坐标，还依赖于每个原子上的磁矩大小与方向。任何忽略磁性自由度的势函数，都会在面对铁磁—顺磁相变、磁致伸缩、自旋有序与无序的临界行为时彻底失灵。
机器学习原子间势函数在过去五年里发展迅猛，从早期的高斯近似势、神经网络势，到等变图神经网络势，再到 Moment Tensor Potential，研究者已经构建出一系列在非磁性体系中达到甚至超越 DFT 精度的工具。然而当问题转向磁性体系时，单纯把"原子位置"作为输入特征的势函数立刻显得不够用。研究者发现，必须明确把磁矩作为额外的输入自由度，才能正确刻画磁性材料的能量、力与应力。围绕这一需求，"磁性 MLIP" 在最近几年应运而生，其中又以基于 Moment Tensor Potential 扩展出的磁性 MTP（简称 mMTP）最为典型。
然而磁性 MLIP 的开发面临一个绕不开的"训练集瓶颈"。与非磁性体系不同，磁性 MLIP 的训练样本不仅要遍历不同的原子构型，还要遍历不同的磁矩配置。手工构造覆盖足够广磁矩组合的训练集是几乎不可能完成的任务——铁磁、反铁磁、共线、非共线、不同磁畴比例的组合呈现指数级增长。同时，DFT 在面对非平衡磁矩计算时，必须借助软约束方法对各原子磁矩做约束处理，否则系统会自动滑向能量最低的平衡态而无法采样到高能区域。这两点共同导致：即使概念上已有完整的 mMTP 数学框架，构造一个高质量训练集仍是一项耗时、易错、需要丰富经验的工作。
除训练集之外，磁性 MLIP 在使用阶段也面对独特的工程挑战。许多分子动力学引擎在设计之初并未考虑磁性自由度，因此把磁性势函数集成进去往往需要对积分器进行非平凡修改。同时，磁矩的弛豫往往需要在每一步动力学之前进行内层迭代，使得整体计算开销显著高于非磁性势函数。如何在精度、速度与软件生态兼容性之间找到平衡，是任何磁性 MLIP 工作必须直面的工程难题。Fe-Pd 这一案例之所以被选作演示，正是因为它既具有丰富的磁性相图，又有足够多的实验与第一性原理基准数据可用于对照——既是一块挑战之地，也是一块试金之石。
▲ 图1：Workflow of mMTP training incorporating soft-constrained DFT calculations. The u
spin-MLIP 是如何用主动学习把数据生成自动化的？
该研究的核心贡献是把"主动学习"这一理念引入磁性 MLIP 的构造流程，并把整个工作流以 spin-MLIP 软件包的形式开放出来。主动学习的基本思想可以概括为：让模型自己来挑选最值得标注的样本，从而在最少 DFT 计算的代价下达到尽可能高的精度。在非磁性 MLIP 的语境下，类似算法已被广泛应用。但在磁性场景中，由于磁矩自由度的引入，原有算法必须被重新设计，使其能够同时识别"原子构型新颖性"与"磁矩配置新颖性"。
在 spin-MLIP 的工作流中，研究者首先选取一个待研究体系（例如此次案例中的 Fe-Pd 合金），用一组初始 DFT 数据训练出一个初版 mMTP。随后，研究者用这个初版 mMTP 驱动分子动力学模拟。在模拟过程中，系统会自动评估每一帧构型对当前势函数的"新颖度"——可以理解为对该样本预测的外推程度。当新颖度超过阈值时，该样本会被纳入候选名单，等待用 DFT 重新计算其真实能量、力与应力。这些新样本被加入训练集后，重新训练 mMTP，循环往复。整个过程中，研究者几乎不需要手工干预数据生成，只需指定初始体系与外推阈值。
与非磁性主动学习相比，spin-MLIP 的关键创新在于把磁矩自由度纳入了新颖度评价之中。具体而言，软约束自旋极化 DFT 允许研究者在计算时显式设定每个原子的目标磁矩，从而采样非平衡磁矩附近的能量响应。这一点至关重要，因为在动力学模拟中，磁矩并不总是处于平衡态——例如在快速温度变化、磁相变临界附近、或外加磁场干扰下，原子磁矩会偏离瞬时能量最小值。如果训练集中缺乏对非平衡磁矩区域的覆盖，那么 mMTP 在这些情境下的预测就会迅速失效。spin-MLIP 通过主动学习自动识别那些处于"非平衡磁矩偏远区域"的构型，并要求 DFT 在该约束磁矩下重新计算，将其纳入训练集。
软件包同时整合了与主流 DFT 程序的接口，使得用户可以方便地从 VASP 等代码读取自旋极化结果，并把约束磁矩的设定写入 DFT 输入。整个数据生成—训练—评估—再生成的闭环被打包成易于配置的脚本，大大降低了使用门槛。这意味着即使是不熟悉 mMTP 数学细节的研究者，也可以借助 spin-MLIP 在自己的研究体系中快速构建一个具备磁性自由度的机器学习势函数。这种工具化的努力，正是 AI for Science 真正走向"日常可用"的关键一步。
主动学习的有效性在 Fe-Pd 案例中得到了直接验证。研究团队在初始训练集只包含数十个构型的情况下启动循环，经过若干轮迭代，模型在能量、力与磁矩的预测误差均显著下降，并最终在新的独立测试集上达到与 DFT 相当的精度。值得注意的是，主动学习并不只在"补全已知区域"，更重要的是它能够主动探索研究者事先未曾考虑到的构型与磁矩组合，例如局部磁矩反转、相界附近的过渡态、空位附近的磁性畸变等。这些区域对于理解材料真实行为至关重要，但若依靠人工构造训练集，往往会被系统性地遗漏。主动学习以一种"自适应感知"的方式，把这些遗漏区域纳入考量。
▲ 图2：Figure S2: Scheme of soft-constrained DFT calculations. (1) Equilibrium self-con
为何 Moment Tensor Potential 是磁性建模的合适载体？
在众多 MLIP 范式中，作者选择 Moment Tensor Potential 作为磁性扩展的载体并非偶然。MTP 最早在单组分材料上被提出，是一种基于"矩张量描述符"的局域势函数。它把每个原子周围邻域内的化学环境编码为一组矩张量，再通过张量间的张量积构造出标量基函数，最终把能量表示为这些基函数的线性组合。这一框架具有几个非常突出的优点：第一，线性组合使得训练过程可解析、高效，避免了深度神经网络常见的训练不稳定问题；第二，矩张量描述符天然具有旋转、平移和镜像对称性，符合物理对各种对称变换不变性的要求；第三，描述符的复杂度可以通过"势函数等级"这一统一参数自由控制，让研究者方便地在精度与计算开销之间权衡。
磁性 MTP 在原有框架上做了关键的扩展：让矩张量描述符的径向部分同时依赖原子间距离与原子磁矩。具体而言，作者用 Chebyshev 多项式构造径向基与磁性基，从而能够把"距离 r—磁矩 m"的二维空间充分展开。这种设计使得 mMTP 在数学结构上仍是线性可解的，但表达能力却足以覆盖磁矩相关的能量贡献。当磁矩等于零时，mMTP 自动退化为标准的非磁性 MTP；当磁矩非零时，相关基函数被激活，进一步贡献能量项。这种"渐进激活"的特性，让 mMTP 在跨越不同磁状态的模拟中表现出良好的鲁棒性。
在 mMTP 实际运行时，研究者面对一个细节性但极其关键的问题：在每一步分子动力学或几何优化之前，需要把磁矩弛豫到对应原子构型下的平衡值。spin-MLIP 通过对原子磁矩的能量最小化，把磁矩作为隐变量在每一步进行优化，进而把弛豫后的能量与力反馈给原子动力学。这种"内层磁矩弛豫 + 外层原子动力学"的双层结构，使得 mMTP 能够同时处理快慢自由度，对模拟铁磁相变、磁致弹性效应等过程尤为重要。同时，由于训练集已经覆盖了非平衡磁矩附近的能量响应，弛豫迭代的初值即使较远，也能稳定收敛。
在性能层面，对 Fe-Pd 案例的展示证明了 spin-MLIP 工作流的有效性。Fe-Pd 合金是一类经典的磁性体系，因为其在不同 Fe/Pd 比例下展现出从铁磁到顺磁、从立方到四方等多种相变行为，是检验 mMTP 表达能力的极佳试金石。在主动学习驱动下，仅需相对有限数量的 DFT 计算，spin-MLIP 就能够构建出在能量、力与磁矩上都达到化学精度的 mMTP，并用其驱动可信赖的分子动力学模拟。这一性能水平意味着，研究者可以把原本只能用 DFT 跑数百原子、皮秒级别的模拟，扩展到数千乃至上万原子、纳秒级别——一个对于研究磁性相变与磁畴动力学至关重要的尺度跃迁。
同时，作者特别强调，构造好的 mMTP 不仅在训练集附近精确，更在外推区域具有可控的不确定度。这一点对于实际应用尤为重要，因为分子动力学模拟会自然把系统带入未曾被显式训练过的区域。借助主动学习留下的"新颖度估计器"，研究者可以在每次模拟中对当前轨迹做实时监控：当系统进入潜在外推区域时，可以选择暂停模拟、补充 DFT 计算并重新训练，或者直接退出动力学过程进行人工审视。这种"知道自己不知道"的能力，是机器学习势函数真正进入生产环境所必不可少的属性。
这项AI势函数工作将如何推动磁性材料研究？
把 spin-MLIP 放到 AI for Science 的宏观格局中观察，它代表了机器学习势函数发展的一种重要趋势：从"通用模拟工具"走向"针对特定物理自由度的精确建模"。在过去几年中，MLIP 主要的注意力集中在如何用更大的数据集、更深的网络、更复杂的等变架构去逼近一般材料的势能面。但材料世界远比"无磁性"的简化图景丰富——磁性、超导、铁电、热电、拓扑等自由度都对应着不同的物理变量，需要把这些变量显式地引入势函数。spin-MLIP 在磁性方向上的探索，为其他物理自由度的建模提供了一个可借鉴的模板：把领域知识封装到描述符中，把数据收集自动化为主动学习，把整个工作流封装为社区可用的软件包。
对磁性材料研究者而言，spin-MLIP 带来的直接好处是模拟尺度的大幅扩展。许多重要的磁性现象，例如磁畴壁运动、温度诱导的去磁过程、外加磁场下的滞回响应、自旋玻璃中的瞬时结构，都需要数千原子以上的体系和纳秒级时间尺度的演化。传统的 DFT 在该尺度下完全无力，而 spin-MLIP 通过 mMTP 提供的精度与速度组合，让这些过程的原子级模拟成为可能。这意味着许多过去只能用唯象哈密顿量进行近似研究的现象，未来可以从第一性原理出发被直接刻画。
对功能性合金的工程师而言，spin-MLIP 也提供了一种全新的设计语言。例如在永磁体设计中，研究者关心如何通过组分调整来优化磁晶各向异性、矫顽力与饱和磁化强度。借助 spin-MLIP，研究者可以在多种 Fe-Pd 类合金体系中快速构建势函数，进而通过大规模分子动力学模拟评估不同组分下的磁性能。这种"势函数即设计接口"的工作方式，把材料筛选从昂贵的实验试错转变为可在 HPC 集群上批量进行的计算实验。
在更广阔的应用图景中，磁性 MLIP 与生成式逆向设计算法、目标驱动配方基准的组合，将催生出一种全新的研发流程：算法首先生成一批候选合金组分，对应的 mMTP 在 HPC 上批量评估其磁性能、力学性能与相稳定性，再由 AI 助手综合判断哪一类候选最具潜力进入实验合成阶段。这种闭环允许研究者在不进入实验室的情况下完成大部分筛选工作，把人类专家的注意力集中在最具风险与潜力的候选体系上。对于稀土永磁体的减量化设计、新型自旋电子学材料的快速探索，这种闭环极有可能成为未来十年的主流研究范式。
从软件工程角度看，spin-MLIP 的开放策略也值得关注。完整的源码、可复现的训练脚本、详细的使用文档与若干典型案例的输入输出文件，都被同步提供，使得新用户可以快速搭建起完整的工作流。这种"白盒式"的开源方式，与一些商业化的 AI 工具形成鲜明对比，更符合科学研究对"可复现"与"可审计"的根本要求。在 AI for Science 越来越被关注"可信赖性"的当下，spin-MLIP 的开放范式提供了一个良好示范。
同时，spin-MLIP 与同期推出的多尺度信息学框架、目标驱动配方基准等工作，共同勾勒出 AI 材料发现的完整生态图。信息学框架解决数据如何被组织、检索与协同的问题；机器学习势函数提供从原子尺度获得高保真模拟的能力；逆向设计基准则评估在配方层面的算法表现。三者共同支撑着从"原子—介观—宏观—工艺"的多尺度闭环。在这个闭环中，mMTP 这一类磁性势函数处于尤为关键的位置，因为磁性自由度对许多功能材料的性能起着决定性作用。任何忽略磁性的多尺度框架都将丧失对功能性能的真实把握，而 spin-MLIP 恰恰补上了这块关键拼图。
从模型方法论的角度看，spin-MLIP 也为如何在 MLIP 中引入复杂物理自由度提供了一条有据可循的路径。它没有抛弃已有的成熟框架去重新发明轮子，而是在 MTP 的线性可解结构上以渐进激活的方式纳入磁性贡献；它没有依赖人工经验逐个挑选训练样本，而是把主动学习算法以新颖度估计的形式嵌入到数据循环中；它也没有把工具封闭在团队内部，而是以软件包的形式向社区开放。这一系列方法选择，体现了科研工程中"以最小破坏换取最大能力提升"的设计哲学，是值得后续在超导、铁电、拓扑等方向上借鉴的范式。
对教学与人才培养而言，spin-MLIP 的工具化也具有深远意义。研究生与新人在学习磁性材料计算时，可以借助这一工具直接体验从训练集构造到分子动力学模拟的完整链路，而不需要先花数年时间掌握所有底层细节。这种"边用边学"的方式与现代深度学习教学异曲同工，让磁性 MLIP 的门槛大幅下降，从而把更多年轻力量带入这一交叉领域。预计在未来几年，越来越多的高校课程会把 spin-MLIP 纳入计算材料学教材，与传统的 DFT 与经典分子动力学并列。
最后，从更长远的角度看，spin-MLIP 的开放工具链具有重要的社区价值。在科学计算领域，可复用的开源工具往往比单一论文更能推动方法的普及与改进。当研究者可以在自己的研究体系中直接调用 spin-MLIP，并把改进、扩展、应用案例反馈到社区，整个磁性 MLIP 的方法学就会进入一个加速演进的轨道。对学生与新人而言，这样的工具也大大降低了进入门槛，让"不必从零造轮子"的科研协作成为可能。可以预见，围绕 spin-MLIP 的研究成果将在未来几年内涌现，覆盖永磁体、磁电耦合材料、量子磁性、自旋电子学器件等多个方向。这是一项"看似低调、实则重要"的工程性突破，是 AI for Science 真正落到磁性材料这片复杂土壤上的关键一锹，也是面向下一代功能材料研发的一份扎实工程礼物。当多尺度信息学框架、目标驱动配方基准与磁性势函数工具链共同形成完整生态后，AI 材料发现这一新兴学科将不再是少数实验室的孤立尝试，而成为面向整个材料工程的协同基础设施。在这种基础设施的支撑下，下一代功能材料的发现速度、设计精度与工程可控性都将进入一个崭新的水平。
arXiv 链接：https://arxiv.org/abs/2605.26897论文标题：Active learning of collinear magnetic Moment Tensor Potentials using the spin-MLIP package from soft-constrained spin-polarized DFT calculations: a case study of Fe-Pd作者：Arseniy Burov, Alexey S. Kotykhov, Dmitry A. Aksyonov, Ivan S. Novikov, Vladimir V. Ladygin机构：Skolkovo Institute of Science and Technology、HSE University、California Institute of Technology
