想象你是一位海岸工程师，接到任务：预测一片海滩接下来一年的轮廓变化。最稳妥的办法是全量勘测——把每一粒沙子的位置、每一道波浪的能量都量出来，再用流体力学方程整体推算。结果确实精确，但代价是几个月的工程队时间和天文数字的经费。材料科学里的密度泛函理论（DFT）就是这样的“全量勘测”：它从量子力学出发，逐电子求解材料性质，精确可靠，却昂贵得让人心疼。 你的老师傅同事却另有一套办法：他只在沙滩上蹲十分钟，看看沙粒粗细、坡度和浪高，然后凭三十年经验报出一个数，多数时候误差不到百分之五，成本几乎为零。这就是 DFT 替代方案的核心：用机器学习从少量关键特征（描述符）直接映射到材料性质，把“解量子力学方程”变成“看规律”。 当然，老师傅也有翻车的时候——遇到火星沙丘或是海底热泉，他照样迷糊。所以这篇文章真正想讲清楚的是：替代方法家族有哪些、如何给它的精度打分、它的经验半径在哪里、什么场景该请它、什么时候必须回到全量勘测、估算错了又如何复盘。

岗位关联

掌握 DFT 替代方法的选择与评估，能让你在材料高通量筛选与 AI for Science 项目中，把计算成本降低几个数量级，同时守住精度与可信的边界。

目录
  1. 可视化演示
  2. 计算成本痛点：全量勘测的昂贵真相
  3. 替代方案图谱：老师傅的三条捷径
  4. 描述符设计：老师傅的三大指标
  5. 数据与训练：三十年经验从哪来
  6. 精度评估：给老师傅办一场考试
  7. 适用边界：承认“我没见过这种海滩”
  8. 选择准则：什么时候该请老师傅
  9. 误差溯源：事后复盘的三问
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

对比DFT及ML替代方法的成本精度权衡，展示描述符到性质映射流程，分析误差来源与精度基准。

本节配有交互动效（进入视口后自动加载，约 3KB）。

计算成本痛点：全量勘测的昂贵真相

假设要预测一片海滩未来一年的轮廓变化。最严谨的办法是把每一粒沙、每一道波都建模，再用流体力学方程整体求解——测得越全算得越久。麻烦在于：海滩一旦扩建一倍，需要测量的点以及彼此影响的沙子数量暴涨，工程队的时间不是翻倍，而是变成原来的八倍。

材料科学家面对的 DFT（密度泛函理论）就是这样的“全量勘测”：它从量子力学第一性原理出发，求解电子结构，精度高、物理可靠，但计算开销随体系电子数急剧膨胀。多数替代方法的动机，都源于这个“等不起”。

实际计算中，DFT 需要对电子密度迭代求解，耗时大致正比于电子数的三次方。这意味着体系扩大一倍，单次计算时间约是原来的八倍。面对“从十万个候选材料里筛出最优电解质”这类高通量任务，全量勘测在时间上直接出局。

所以，替代方案的第一动机从来不是“算得不准”，而是“等不起”。当老师傅能在一秒钟内报出轮廓，哪怕带一点误差，工程总盘的时间账也划算得多。

TDFT∝Nelec3\displaystyle T_{\text{DFT}} \propto N_{\text{elec}}^{3}
公式说的是：DFT 的耗时随电子数按三次方膨胀，这是替代方案存在的根本理由。
  1. 总耗时（T）$T_{\text{DFT}}$ 表示完成一次 DFT 计算所需的时间，也就是我们要压缩的主角。
    TDFTT_{\text{DFT}}
  2. 正比符号（∝）$\propto$ 表示左侧与右侧按同一比例缩放，具体系数由软件和硬件决定，但缩放规律不变。
    ∝\propto
  3. 电子数（N）$N_{\text{elec}}$ 是体系中电子的数目，体系越大电子越多。
    NelecN_{\text{elec}}
  4. 三次方（翻倍成八倍）$N_{\text{elec}}^{3}$ 表示电子数翻倍时，耗时约变成原来的 $2^{3}=8$ 倍。
    Nelec3N_{\text{elec}}^{3}

替代方案图谱：老师傅的三条捷径

老师傅面对一片新海滩时有三条快法：第一条，抓几个关键指标直接报数；第二条，带一个熟悉水流的学徒，让他跑腿算局部的浪；第三条，干脆只看近岸几十米，远处的先不管。三种做法牺牲一点精度，换来的是惊人的速度。

这三条捷径恰好对应 DFT 替代方案家族的三大流派：描述符代理模型、机器学习势、以及各类粗粒化近似。它们共享同一个信念——大部分材料性质的规律藏在“可学的模式”里，不必每次从头解量子力学方程。

机器学习势近年最受关注：把总能量表达成每个原子局域环境贡献之和，训练完毕后不仅能给能量，还能给力和应力，直接驱动分子动力学模拟。描述符代理模型则更轻量：从结构或成分抽特征，一步映射到带隙、形成能等标量性质。两者都以“数据驱动找规律”为共同底色。

三条捷径的本质都是“从特征到数值”的查表式判断，这就是绕过全量勘测的秘诀。至于选哪条路，取决于你要的是能量值、力场还是趋势排序。

E^tot=∑i=1Nεi(gi)\displaystyle \hat{E}_{\text{tot}}=\sum_{i=1}^{N}\varepsilon_{i}(\mathbf{g}_{i})
公式说：预测的总能量等于每个原子按自己局部环境贡献的能量之和，这就是机器学习势的原子化分解思想。
  1. 预测总能（E hat）$\hat{E}_{\text{tot}}$ 是模型输出的总能量，戴帽子表示估计值而非精确值。
    E^tot\hat{E}_{\text{tot}}
  2. 求和号（Σ）$\sum_{i=1}^{N}$ 表示对所有原子求和，总能量是各原子贡献的累加。
    ∑i=1N\sum_{i=1}^{N}
  3. 局域能量（ε）$\varepsilon_{i}$ 是第 $i$ 个原子从自身周围化学环境得到的能量贡献。
    εi\varepsilon_{i}
  4. 环境描述（g）$\mathbf{g}_{i}$ 描述第 $i$ 个原子周围环境的向量，如键长、配位数，是模型的输入特征。
    gi\mathbf{g}_{i}

描述符设计：老师傅的三大指标

老师傅的估滩术并不神秘，他只是盯住三个指标：沙粒粗细、坡度、浪高。换掉一个指标，估算就偏一寸；指标选得妙，一分钟就能定调。材料领域的“指标”就是描述符（descriptor）。

描述符的任务，是把一团原子的结构信息压缩成固定维度的向量。好的描述符有三个要求：同样的化学环境必须给同样的向量（对称性）、细微差别要能拉开距离（分辨力）、维度不能太高（可学性）。旋转不变、平移不变等物理先验被内置进描述符，让模型天然尊重自然规律。

常见描述符分两类：一是元素本征性质，如电负性、原子半径、价电子数；二是结构环境指纹，如配位数、径向分布函数、SOAP 等局域环境编码。有了描述符，任意两种材料都可以比较“长得像不像”——这是后面所有边界判断和相似性推理的基石。

描述符距离就是老师傅心里的“相似度尺子”——离见过的海滩越近，估算越有底气。这条尺子后面还会用来画出一条不可逾越的经验边界线。

sij=∥di−dj∥2\displaystyle s_{ij}=\lVert \mathbf{d}_{i}-\mathbf{d}_{j} \rVert_{2}
公式衡量两种材料在描述符空间里的直线距离，距离越小说明两种材料的“化学长相”越接近。
  1. 描述符向量（d）$\mathbf{d}_{i}$ 是第 $i$ 种材料的特征向量，例如（电负性、半径、配位数）。
    di\mathbf{d}_{i}
  2. 二范数（距离）$\lVert \cdot \rVert_{2}$ 计算两个向量之间的欧式距离，即“直线长度”。
    ∥⋅∥2\lVert \cdot \rVert_{2}
  3. 相似度（s）$s_{ij}$ 的值越小，代表两种材料的环境越像，模型把一种的知识迁移到另一种的信心就越高。
    sijs_{ij}

数据与训练：三十年经验从哪来

老师傅的直觉并非天生，他看过上千片海滩、翻过几百次车。替代模型也一样，它的“阅历”来自一批 DFT 算好的标准答案，也就是带标签的数据集。

数据构建是第一道工序：把拟探索的成分和结构空间均匀采样，交给 DFT 逐个算出能量与性质。采样讲究覆盖度，只盯着一个角落反复算，模型学会的只是那个角落，而不是整片海域的规律。

拿到数据后，惯例是把样本切成训练、验证、测试三份。模型在训练集上学规律，在验证集上调超参数，测试集则完全封存，用来模拟“从未见过的新海滩”。训练的本质就是最小化预测值与 DFT 标签的差距，最常用的损失是平方误差。

训练完成后，老师傅三十年阅历被压缩成一组参数；从此面对新材料，他不再需要沙盘推演，只需要看一眼指标，就能说出答案。

θ∗=arg⁡min⁡θ∑k=1M(yk−fθ(dk))2\displaystyle \theta^{*}=\arg\min_{\theta}\sum_{k=1}^{M}\bigl(y_{k}-f_{\theta}(\mathbf{d}_{k})\bigr)^{2}
公式说：找到一组模型参数，让所有训练样本的预测值与 DFT 标签之差的平方和最小。
  1. 模型参数（θ）$\theta$ 是神经网络或回归模型的权重与偏置，决定预测函数长什么样。
    θ\theta
  2. 最小化（arg min）$\arg\min_{\theta}$ 表示在参数空间中寻找让损失函数最小的那一组参数。
    arg⁡min⁡θ\arg\min_{\theta}
  3. 平方损失$\sum_{k=1}^{M}\bigl(y_{k}-f_{\theta}(\mathbf{d}_{k})\bigr)^{2}$ 把所有样本的预测误差平方后求和，让大误差被加倍惩罚。
    (yk−fθ(dk))2\bigl(y_{k}-f_{\theta}(\mathbf{d}_{k})\bigr)^{2}
  4. DFT 真值（y）$y_{k}$ 是第 $k$ 个样本由 DFT 算出的性质，是模型的“标准答案”。
    yky_{k}

精度评估：给老师傅办一场考试

怎么知道老师傅靠不靠谱？最公平的办法是：挑十片他从未去过的海滩，先让他估，再派勘测队去实测，最后对答案。真正的成绩单，永远来自“没见过的题”。

替代模型的“考试”同样要靠封存的测试集。训练集上的低误差只说明他背下了答案；真正有意义的数字，是模型对全新体系预测的误差。这也是为什么所有严谨的基准测试都必须做训练集与测试集的严格分离。

最常用的成绩单指标是 RMSE（均方根误差）和 MAE（平均绝对误差）。RMSE 因为先平方再平均，会给离群的大误差更高权重——这符合材料应用的心态：一次离谱的预测可能毁掉整个筛选流程。除了看总分，还要画误差分布：如果误差集中在少数样本上，说明存在系统性问题而非随机波动。

一场合格的考试不止看平均分，还要看有没有“不及格的偏科”——误差分布画像能指出老师傅在哪类海滩上经验不足。

RMSE=1M∑k=1M(yk−y^k)2\displaystyle \text{RMSE}=\sqrt{\frac{1}{M}\sum_{k=1}^{M}\bigl(y_{k}-\hat{y}_{k}\bigr)^{2}}
公式是误差评分表：把每个测试样本的预测误差平方后取平均再开方，离群的大误差会被放大突出。
  1. 真实值（y）$y_{k}$ 是第 $k$ 个测试样本的 DFT 真值，评估中的“标准答案”。
    yky_{k}
  2. 预测值（y hat）$\hat{y}_{k}$ 是模型给出的预测值，戴帽子表示估计。
    y^k\hat{y}_{k}
  3. 平方再平均再开方$\sqrt{\frac{1}{M}\sum(\cdot)^{2}}$ 先求平方让正负误差同向，再取平均，最后开方恢复量纲。
    1M∑(yk−y^k)2\sqrt{\frac{1}{M}\sum\bigl(y_{k}-\hat{y}_{k}\bigr)^{2}}
  4. 样本数（M）$M$ 是测试集样本数量，样本越多，这份成绩单越可信。
    MM

适用边界：承认“我没见过这种海滩”

老师傅只在一条边界内有把握：他见过的海滩类型。某天有人拿来一张火星沙丘照片，指标全不在经验范围内，他却依然报了个数——结果错得离谱。事后他反省：我该先承认“这不在我的经验半径之内”。

机器学习模型同理：训练数据覆盖的描述符空间就是它的“经验半径”。落在分布内部的点叫内插，通常可靠；落在分布外部的点叫外推，模型可能照样给出平滑而自信的瞎猜。普通神经网络对外推点没有任何天生的警觉。

防御手段是不确定度量化：计算新样本到训练集中最近样本的描述符距离，距离超过阈值就判定“此滩未见”，退回 DFT 精算或补采数据。更高级的做法是集成模型、贝叶斯神经网络等，直接从模型内部输出不确定度信号。

适用边界判断，是让替代模型“知道自己不知道”的唯一机制。老师傅最值钱的本事，恰恰是肯说一句：这片滩，我拿不准。

Dmin⁡=min⁡k∥dnew−dk∥2\displaystyle D_{\min}=\min_{k}\lVert \mathbf{d}_{\text{new}}-\mathbf{d}_{k} \rVert_{2}
公式求新样本与所有训练样本之间的最近距离，用来判断它是否落在训练覆盖范围内。
  1. 新样本描述符（d new）$\mathbf{d}_{\text{new}}$ 是待预测材料的特征向量，例如（电负性、半径、配位数）。
    dnew\mathbf{d}_{\text{new}}
  2. 求最近（min）$\min_{k}$ 表示遍历训练集中的所有样本，取出距离最小的那一个。
    min⁡k\min_{k}
  3. 距离语义$D_{\min}$ 超过安全阈值时，说明“这片海滩老师傅没见过”，预测结果不可盲信。
    Dmin⁡D_{\min}

选择准则：什么时候该请老师傅

工程队请人有个账本：老师傅便宜但可能偏差，全量勘测贵但可靠。工期紧、候选多、精度要求不高，就请老师傅；涉及安全结论、最终定论，必须全量勘测。科学计算里的账本同样清晰。

需要权衡的维度有三项：目标精度要求、候选体系的规模、训练数据对目标的覆盖程度。精度要求低而候选上万，全部跑 DFT 是灾难；精度要求高而候选只有几个，ML 的加速意义反而不大。

实操中最受用的是层级筛选策略：先用 ML 代理模型在上万个候选中快速粗筛，取前几百名；再做一轮中等精度的验证，例如换用更优的交换关联泛函；最后仅对 Top-10 用高精度 DFT 精算。这样组合下来，总成本常常只有全量 DFT 的千分之一上下。

选择准则说白了是一句话：让手段匹配目的。老师傅的速度加上勘测队的严谨，组合拳远胜单打独斗。

G=TDFTTML\displaystyle G=\frac{T_{\mathrm{DFT}}}{T_{\mathrm{ML}}}
公式计算单次预测的加速倍数，这是选择替代方案时最直白的收益账。
  1. DFT 耗时（T）$T_{\mathrm{DFT}}$ 是单次 DFT 计算的耗时，单位可以是分钟或小时。
    TDFTT_{\mathrm{DFT}}
  2. ML 耗时（T）$T_{\mathrm{ML}}$ 是单次机器学习推理的耗时，通常只有毫秒级。
    TMLT_{\mathrm{ML}}
  3. 加速倍数（G）$G$ 是两者的比值，材料筛选中常达千倍以上，这就是“快车道”的量化含义。
    G=TDFTTMLG=\frac{T_{\mathrm{DFT}}}{T_{\mathrm{ML}}}

误差溯源：事后复盘的三问

老师傅也有失手的时候。复盘时他习惯问自己三个问题：是不是看漏了某个关键指标？是不是这类海滩见得少？是不是这片海滩本来就太随机、谁也估不准？

这三个问题恰好对应替代模型误差的三个来源：描述符信息缺失、训练数据不足、以及标签本身的不可约噪声。把误差拆开看，才能对症下药——而不是盲目换模型或者盲目加数据。

机器学习理论给出经典分解：均方误差等于偏差的平方、方差、不可约噪声三项之和。高偏差意味着模型太简单学不进规律（欠拟合），对策是换更复杂模型或补充有效特征；高方差意味着对数据过于敏感（过拟合），对策是增加数据或正则化；而不可约噪声来自 DFT 标签自身的近似误差与标注波动，是任何模型都压不过的地板。

复盘不是追责，而是给老师傅列一张改进清单：补哪个指标、收哪类海滩数据、换什么模型，一目了然。误差溯源让“经验直觉”也能持续进化。

MSE=Bias2+Variance+σ2\displaystyle \mathrm{MSE}=\mathrm{Bias}^{2}+\mathrm{Variance}+\sigma^{2}
公式把总误差拆成三份账：学不进的账、太敏感的账、和谁也救不了的账。
  1. 均方误差（MSE）$\mathrm{MSE}$ 是期望意义上的平方预测误差，即误差的主导指标。
    MSE\mathrm{MSE}
  2. 偏差（Bias）$\mathrm{Bias}$ 是平均预测值与真值的差，高偏差意味着模型系统性地欠拟合。
    Bias2\mathrm{Bias}^{2}
  3. 方差（Variance）$\mathrm{Variance}$ 是预测值围绕均值的波动程度，高方差意味着过拟合。
    Variance\mathrm{Variance}
  4. 噪声（σ）$\sigma^{2}$ 是数据本身不可解释的噪声下限，模型再强也压不过它。
    σ2\sigma^{2}

AI 应用场景

场景一：电池电解质高通量筛选

阶段：数据构建与代理模型推理

解决的问题：评估上万种溶剂配方的氧化稳定性时，若每个候选都跑一次 DFT，单次耗时数小时，总机时以年计。用描述符代理模型先给全部候选排序，再把排名靠前的少数交给 DFT 精算，传统高成本被压缩到可接受范围。

具体案例：某电池研发团队对 10,000 组溶剂配方做初筛：先构建电负性、介电常数、溶剂化能等描述符，训练一个预测氧化电位的代理模型；模型筛出 Top 200 后，团队再对这 200 个配方跑 DFT 校验，候选搜索成本下降两个数量级以上。

场景二：机器学习势驱动的分子动力学模拟

阶段：模型训练与部署推理

解决的问题：从头算分子动力学每步都要重新求解电子结构，只能模拟几十个原子、几十皮秒。机器学习势先学 DFT 算好的势能面，推理时只做矩阵运算，可把模拟规模推到数千原子、纳秒级。

具体案例：研究锂电池固态电解质的锂离子扩散路径时，用 DFT 采样几百条 Li 迁移路径的能量与受力，训练等变图神经网络势，再跑数百皮秒的动力学，得到的扩散系数与原位 X 射线实验吻合。

场景三：主动学习迭代建库

阶段：数据迭代与不确定性量化

解决的问题：一次性均匀采样常把 DFT 机时浪费在“模型已经会的地方”。主动学习让模型标出描述符空间中不确定度最高的区域，只在这些区域补算 DFT 标签，用最少的机时最大化覆盖。

具体案例：构建合金催化剂的 CO 吸附能数据库时，初始 500 个样本训练模型，每轮预测剩余候选并挑出最近邻距离最远（信息价值最高）的 100 个补算 DFT，五轮后数据库覆盖度显著提升，而总机时仅为随机采样的三分之一。

Python 演示

python47 行
import numpy as np  def mock_dft_energy(X):    # 模拟DFT计算得到的形成能 单位任意    chi = X[:, 0]    rad = X[:, 1]    ne = X[:, 2]    return 1.8 * chi - 0.9 * rad + 0.06 * ne  def ridge_fit(X, y, lam=1e-3):    Xb = np.concatenate([X, np.ones((X.shape[0], 1))], axis=1)    eye = np.eye(Xb.shape[1])    w = np.linalg.solve(Xb.T @ Xb + lam * eye, Xb.T @ y)    return w  def ridge_predict(X, w):    Xb = np.concatenate([X, np.ones((X.shape[0], 1))], axis=1)    return Xb @ w  def main():    rng = np.random.default_rng(42)    n_samp = 400    chi = rng.uniform(0.5, 3.5, n_samp)    rad = rng.uniform(0.8, 2.2, n_samp)    ne = rng.integers(2, 60, n_samp).astype(float)    X = np.stack([chi, rad, ne], axis=1)    y = mock_dft_energy(X) + rng.normal(0, 0.05, n_samp)     X_train, y_train = X[:320], y[:320]    X_test, y_test = X[320:], y[320:]     w = ridge_fit(X_train, y_train)    y_pred = ridge_predict(X_test, w)    rmse = float(np.sqrt(np.mean((y_test - y_pred) ** 2)))    mae = float(np.mean(np.abs(y_test - y_pred)))    print("训练集样本数: %d 测试集样本数: %d" % (len(X_train), len(X_test)))    print("测试集 RMSE: %.4f" % rmse)    print("测试集 MAE : %.4f" % mae)    print("模型权重: %s" % str(np.round(w, 4)))  if __name__ == "__main__":    main()
目的：用简单的岭回归复刻“描述符到性质”的替代管线，演示机器学习如何用少量“DFT 标签”学会预测新材料性质。
  1. y = mock_dft_energy(X) + rng.normal(0, 0.05, n_samp)用模拟的已知物理规律生成“DFT 真值”并叠加噪声，模拟真实标签的不完美。
  2. X = np.stack([chi, rad, ne], axis=1)把电负性、原子半径、价电子数三个描述符合成特征矩阵。
  3. X_train, y_train = X[:320], y[:320]前 320 条当训练集，其余封存为测试集，确保评估的是“没见过的海滩”。
  4. Xb = np.concatenate([X, np.ones((X.shape[0], 1))], axis=1)在特征矩阵后加一列常数 1，让模型能拟合截距项。
  5. w = np.linalg.solve(Xb.T @ Xb + lam * eye, Xb.T @ y)岭回归闭式解，直接求出让平方损失最小的权重向量。
  6. y_pred = ridge_predict(X_test, w)在测试集上做推理，模拟部署阶段的快速预测。
  7. rmse = float(np.sqrt(np.mean((y_test - y_pred) ** 2)))计算测试集 RMSE，这就是老师傅的考试成绩单。
  8. if __name__ == "__main__":保证模块既能被导入也能被直接运行，方便复用与调试。

常见误区

误区机器学习替代 DFT 就是纯数据拟合，把量子力学扔进垃圾桶，物理规律完全不参与，谁的数据多谁就赢。

正解实际上最好的替代方法大量注入物理先验。描述符来自物理直觉（电负性、配位环境），模型被约束成满足平移、旋转、置换对称性的形式，能量按原子分解也是物理结构。物理并没有消失，而是变成了骨架，数据负责填肉。没有物理骨架的纯拟合模型，泛化能力往往一碰就碎。

为何常见：因为“绕过量子力学计算”的口号太响亮，让初学者误以为物理规律被绕过去了，其实绕过的是“逐电子求解”这个昂贵的计算过程。

误区模型在训练集上 RMSE 接近零，说明它已经学会这套材料体系了，可以放心用于预测新材料。

正解训练误差只说明模型记住了答案，就像学生背熟了题库。真正的考验是“没见过的海滩”——测试集性能、以及目标材料与训练分布的覆盖关系。训练误差低但外推崩溃的案例在材料领域比比皆是，评估必须以封存的测试集为准。

为何常见：课堂上的机器学习作业常把训练集当考场，模型表现太好形成误导，让人忽略了训练与测试分离的严肃意义。

误区DFT 数据很贵，那我拼命生成越多越好，反正样本多模型肯定更强，成本高点也认了。

正解关键不是数量而是覆盖。重复的、近重复的样本只增加训练时长，不增加信息量。要用主动学习或实验设计去补“描述符空间里没被覆盖的角落”——老师傅看一千片相似海滩，也比不上再看一片红树林海滩带来的新经验。数据策略的核心是让每个标签都落在未知区域。

为何常见：“大数据”宣传深入人心，让人忽略了科学计算场景里小数据加好覆盖往往比盲目堆量更有效。

误区遇到没见过的材料，模型会像人一样表现出犹豫，或者给出很高的不确定度，我只要看它的置信度输出就行。

正解普通神经网络对外推点往往给出又平滑又自信的预测，没有任何预警。需要主动打开“不确定度量化”开关：用描述符到训练集的最近距离做判断，或者用集成模型、贝叶斯方法，才能得到可靠的“我不知道”信号。没有这套机制，模型永远不会承认自己不会。

为何常见：人类擅长感知陌生，AI 却不会，把人的“直觉”投射到模型上是这类误区的根源。

面试题

Q1. DFT 的计算耗时随体系电子数量级大致如何增长？

单选题 · easy

  • A.线性增长 一次方关系
  • B.平方增长 二次方关系
  • C.立方增长 三次方关系← 正确答案
  • D.指数增长 二的幂次关系

答案：C。DFT 求解电子结构问题的耗时大致随电子数三次方增长，即 O(N³)。这不是某个软件的实现问题，而是求解特征值问题的本质代价。线性与平方都低估了成本，指数则过于悲观；三次方正是“体系翻倍、耗时八倍”的根源，也是替代方案存在的理由。

Q2. 下列哪一项属于 DFT 替代方案的核心思路？

单选题 · easy

  • A.改进交换关联泛函
  • B.提高平面波截断能
  • C.学描述符到性质映射← 正确答案
  • D.调用更多计算并行核

答案：C。替代方案的核心是用数据学出“描述符向量到目标性质”的映射，绕开逐电子求解的昂贵过程。改进泛函、提高截断能、增加并行核都属于 DFT 内部精算手段，只是让全量勘测快一点，并没有改变“每次都要从头算”的本质。

Q3. 一个替代模型的“测试集”应该是什么数据？

单选题 · easy

  • A.训练时见过并拟合过的数据
  • B.从未参与训练的新材料数据← 正确答案
  • C.与训练集完全相同的数据
  • D.全部材料数据取平均的结果

答案：B。测试集必须由模型从未见过的样本组成，才能反映真实泛化能力。训练集数据在训练时已被“背下来”，用它评估必然虚高，就像让老师傅考自己教过的学生试卷。测试集的意义是模拟“没见过的海滩”，是精度评估的公正考场。

Q4. RMSE 作为精度指标，对哪一类错误最敏感？

单选题 · mid

  • A.均匀分布的小误差
  • B.少量很大的离群误差← 正确答案
  • C.预测值的整体平移
  • D.训练集样本的数量

答案：B。RMSE 先对误差平方再取平均，离群的大误差会被平方放大，所以对少数离谱预测非常敏感。这与 MAE 形成对比：MAE 对所有误差一视同仁地取绝对值平均。材料应用中最怕一次离谱预测毁掉整个筛选流程，因此常用 RMSE 把关。

Q5. 高偏差（欠拟合）的典型表现是什么？

单选题 · mid

  • A.训练集误差大且测试集误差大← 正确答案
  • B.训练集误差小但测试集误差大
  • C.训练集和测试集误差都很小
  • D.训练数据变化引起预测剧烈波动

答案：A。高偏差意味着模型结构太简单，学不进数据中的规律，因此训练集和测试集都表现差。训练集好测试集差是高方差（过拟合）的典型信号，两者都要小且接近才说明模型健康。这就像老师傅只用一个指标估滩，在见过的海滩上都会偏差。

Q6. 当新材料远离训练分布时，可以采取哪些稳妥措施？

多选题 · mid

  • A.回到 DFT 重新精算确认← 正确答案
  • B.补采相似环境的数据← 正确答案
  • C.无条件信任外推结果
  • D.重训或微调后再验证← 正确答案

答案：ABD。样本远离训练分布时，模型处于外推区，预测不可盲信。稳妥做法是回到 DFT 精算确认、补充相似化学环境的标签、或重训微调后重新验证。无条件信任外推结果是危险的——普通模型对外推点依然会给出平滑自信的预测，没有任何内置预警。

Q7. 描述符设计中引入物理先验（如旋转不变性）的主要作用是？

单选题 · mid

  • A.让数据数量自动翻倍
  • B.减少特征冗余增强泛化← 正确答案
  • C.彻底消除训练集误差
  • D.让训练过程不再需要数据

答案：B。旋转不变等物理先验让相同化学环境得到相同描述符，减少冗余维度，使模型聚焦有效规律，从而增强泛化能力。它不会凭空增加数据，也不能消除误差或免去训练，只是让描述符这把尺子量得更准。

Q8. 替代模型的误差可能来自哪些环节？

多选题 · mid

  • A.DFT 标签自身带有噪声← 正确答案
  • B.描述符信息不足以表达← 正确答案
  • C.模型容量和训练数据不足← 正确答案
  • D.电脑散热不良导致降频

答案：ABC。误差可分解为三部分：数据端（DFT 标签的近似与标注噪声）、特征端（描述符没能表达的物理信息）、模型端（容量不足或数据太少）。散热降频属于硬件运维问题，与模型误差分解无关。溯源时按这三端排查，才能对症下药。

Q9. 判断机器学习势能否迁移到新材料，应重点检查哪些方面？

多选题 · hard

  • A.训练集是否覆盖目标环境← 正确答案
  • B.目标性质是否同源可比← 正确答案
  • C.盲测误差是否满足要求← 正确答案
  • D.训练轮数是否超过一百

答案：ABC。迁移前要确认训练集覆盖目标材料的化学环境、训练目标是所需的性质类型（用能量训练的势去预测带隙需谨慎）、以及盲测 RMSE 是否满足应用精度。训练轮数本身不是迁移能力的判据——训练再久，覆盖不到的环境依然会翻车。

Q10. 关于 RMSE 与可迁移性的关系，最准确的说法是？

单选题 · extreme

  • A.测试误差小则可全领域通用
  • B.测试误差小仅代表分布内好← 正确答案
  • C.模型对外推点会自动预警
  • D.误差与模型复杂度恒正相关

答案：B。RMSE 小只说明在训练分布覆盖的范围内预测好，不能保证全领域通用。普通模型不会对外推点自动预警，需要通过描述符距离或集成方法显式判断。误差与模型复杂度的关系是 U 形曲线而非恒定正相关：复杂度过高时测试误差会因过拟合反弹。