arXiv cs.AI· Abhinaba Basu, Pavan Chakraborty·· 10 小时前AI 评分18
被 arXiv 撤稿的 Proof-Carrying Materials：为机器学习原子间势提供可证伪的安全证书
Proof-Carrying Materials: Falsifiable Safety Certificates for Machine-Learned Interatomic Potentials
AI 导读
该论文已被 arXiv Admin 撤稿，原因是未达到 arXiv 研究内容质量标准。原文提出 Proof-Carrying Materials（PCM）框架。
正文 · AI 翻译
本文已被 arXiv 管理员撤回
摘要：机器学习原子间势（MLIPs）被用于高通量材料筛选，但缺乏正式的可靠性保证。我们表明，在 25,000 种材料的基准测试中，将单个 MLIP 用作稳定性过滤器会漏掉 93% 的密度泛函理论（DFT）稳定材料（召回率 0.07）。Proof-Carrying Materials（PCM）通过三个阶段弥补了这一差距：跨成分空间的对抗性证伪、带 95% 置信区间的自助包络细化，以及 Lean 4 形式化认证。对 CHGNet、TensorNet 和 MACE 的审计揭示了架构特定的盲点，其成对误差相关性接近于零（r <= 0.13；n = 5,000），并由独立的 Quantum ESPRESSO 验证确认（20/20 收敛；DFT/CHGNet 力比值中位数为 12 倍）。一个在 PCM 发现的特征上训练的风险模型可预测未见材料上的失败（AUC-ROC = 0.938 +/- 0.004），并可跨架构迁移（跨 MLIP AUC-ROC ~ 0.70；特征重要性 r = 0.877）。在一个热电筛选案例研究中，经 PCM 审计的协议发现了单 MLIP 筛选所遗漏的 62 种额外稳定材料——发现产率提高了 25%。
| 评论： | arXiv 管理员注：本投稿已被撤回，因为它不符合 arXiv 的研究内容质量标准 |
| 主题： | 材料科学（cond-mat.mtrl-sci）；人工智能（cs.AI）；机器学习（cs.LG）；计算物理（physics.comp-ph） |
| MSC 分类： | 68T07, 74-04 |
| ACM 分类： | I.2.6; J.2 |
| 引用为： | arXiv:2603.12183 [cond-mat.mtrl-sci] |
| （或 arXiv:2603.12183v3 [cond-mat.mtrl-sci] 为此版本） | |
| https://doi.org/10.48550/arXiv.2603.12183 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：arXiv 管理员 [查看电子邮件]
[v1]
2026 年 3 月 12 日星期四 17:13:25 UTC（1,111 KB）
[v2]
2026 年 3 月 13 日星期五 15:57:32 UTC（1,113 KB）
[v3]
2026 年 10 月 29 日星期四 20:09:23 UTC（1 KB） （已撤回）
来源：arXiv cs.AI · arxiv.org