晶体结构预测的寻宝大赛：结构预测竞赛全景解读

CH-26-02-026·约 15 分钟·AI for Science科学智能·更新 2026-08-13

想象你是一座无名荒岛的岛主。岛上山脉连绵，山谷越深，埋藏的宝贝越珍贵——在晶体世界里，能量越低的结构越稳定，就像更深的谷底藏着更诱人的宝藏。你偷偷把几件珍宝（真实晶体结构）藏进最深的山谷，然后向全世界的寻宝队发出邀约：只告诉他们地形（化学组成），让他们猜出宝藏的位置。各支队伍各显神通：有的背着昂贵的精密测高仪（DFT 计算），测一个点又准又贵；有的带着从千百座岛屿学来的“地形直觉”（AI 模型），眨眼间就能扫过整片山脉。这场“盲测”式的比拼，就是晶体结构预测竞赛（CSP Competition）的缩影——科学界的寻宝奥林匹克。自 2001 年英国剑桥晶体学数据中心（CCDC）发起首届盲测以来，竞赛不断刷新预测成功率，推动着新材料发现的进程。本文将带你走进这场竞赛，看看规则如何设计、队伍如何比拼、AI 如何改变战局。

岗位关联

掌握结构预测竞赛的规则与打法，等于拿到了新材料发现领域的“国际试卷”——无论训练 AI 模型还是设计计算流程，你都能用标准化基准证明方法的真实水平，找到技术差距与突破方向。

可视化演示
竞赛缘起背景：荒岛上的公平对决
任务设定规则：划好赛道再开跑
评估指标设计：用尺子量出差距
传统方法策略：老牌队伍的精密打法
AI方法创新：新派队伍的直觉打法
性能差距分析：快与准的对决
发展趋势展望：从寻宝到绘制地图
AI 应用场景
Python 演示
常见误区
面试题

可视化演示

演示结构预测竞赛的标准化基准、AI与DFT方法对比及方法学进步趋势，理解竞赛推动的新材料发现。

本节配有交互动效（进入视口后自动加载，约 3KB）。

竞赛基准：标准化任务任务中心 bench 统一评估基准

竞赛缘起背景：荒岛上的公平对决

寻宝大赛的消息传开后，各支探险队纷纷宣称自己“早就找到了宝藏”。可仔细一问，他们找的其实是自家门前的土坡——事先知道答案再寻宝，就像开卷考试，谁都能拿高分。岛主们意识到，这种自吹自擂毫无意义，必须办一场所有人都不知道答案的盲测，才能让真本事浮出水面。

2001 年，英国剑桥晶体学数据中心（CCDC）迈出了这一步，发起第一届晶体结构预测盲测竞赛（CSP Blind Test）。组委会挑选一系列尚未发表的分子晶体，只公布化学组成和晶胞信息，要求参赛队伍预测原子如何排布。所有预测结果提交完毕后，实验结构才被揭晓。这种做法从根本上杜绝了“背答案”的可能。

为什么必须用竞赛来驱动研究？因为晶体结构预测面对的是“天文数字”级别的搜索空间。晶胞里哪怕只有十几个原子，它们的排列组合也多到无法穷举——每个原子在网格上有多种放法，N 个原子放在一起，候选数量就会呈指数爆炸。

盲测就像给所有队伍发同一张空白藏宝图。过去二十多年，这场竞赛从最初的十几支队伍发展到全球几十个顶尖课题组，成功率稳步攀升，成为材料计算领域公认的“试金石”。

\Omega \sim \left(\frac{L}{\Delta x}\right)^{3N}

候选结构的数量随原子数呈指数爆炸，这正是“盲测 + 聪明搜索算法”存在的根本原因。

候选结构总数 Ω估算一个晶胞里可能出现的原子排列方式有多少种，是整个搜索问题的“工作量”。
$\Omega \sim \left(\frac{L}{\Delta x}\right)^{3N}$
单原子可选格子数$\left(\dfrac{L}{\Delta x}\right)^3$ 表示在边长为 $L$ 的晶胞里，以 $\Delta x$ 为网格间距，单个原子在三维空间能落下的位置数。
$\left(\frac{L}{\Delta x}\right)^3$
N 个原子的组合爆炸指数 $3N$ 意味着每多一个原子，候选数量就膨胀 $\left(\dfrac{L}{\Delta x}\right)^3$ 倍——穷举绝无可能，只能靠智能搜索。
$3N$

任务设定规则：划好赛道再开跑

比赛要公平，就得有清晰的规则。岛主先宣布：宝藏埋在什么类型的山上（分子晶体）、给你什么线索（化学组成）、你必须交出什么样式的藏宝图（原子坐标与晶格参数）。规则越明确，各方比拼的才越是真功夫。

竞赛任务的典型设定是：给定目标分子的化学式、晶胞中独立分子数目，禁止参考任何实验衍射数据；参赛者提交一组预测的晶体结构文件，包含晶格参数和全部原子坐标。也就是说，输入只有“组成”，输出必须是一套完整的三维排布。

为了让问题可解，竞赛大多聚焦“刚性分子”——分子内部的原子相对位置固定，只允许整体平移和转动。这大幅压缩了搜索空间：每个刚性分子只贡献 6 个自由度，而不是每个原子 3 个自由度。

这个公式就像寻宝队的“装备清单”：除了 6 个晶格参数，每加入一个刚性分子，就多出 6 个“怎么站、朝哪看”的自由度。规则看似限制了你，实则让搜索变得可行——这也正是竞赛能公平比较不同方法的底气。

d = 6 + 6\,n_{\text{分子}}

总自由度 = 晶格参数 6 个 + 每个刚性分子 6 个自由度，分子越多搜索难度越大。

晶格参数项 6晶体要描述三维周期性，需要 6 个独立参数——三条边长 $a,b,c$ 与三个夹角 $\alpha,\beta,\gamma$。
$6$
单分子自由度 6每个刚性分子可整体平移（3 个坐标）和整体旋转（3 个欧拉角），内部原子位置不再变化。
$6\,n_{\text{分子}}$
分子数 $n$ 的乘积晶胞中若有 $n$ 个独立刚性分子，就贡献 $6n$ 个自由度，与晶格参数相加即总自由度。
$d = 6 + 6n$

评估指标设计：用尺子量出差距

寻宝大赛怎么算赢？不是看谁的嗓门大，而是用同一把尺子量出“你标记的位置”与“真实宝藏位置”的距离。距离最近、判断最准的队伍，才配得上冠军。

晶体结构预测竞赛的评分体系分几个层次：第一是几何相似度，最常用 RMSD 指标；第二是能量合理性，预测结构必须落在能量较低的区域；第三是综合成功判据——预测结构与实验结构高度一致，且能量在可接受范围内。三者缺一不可。

其中 RMSD 是衡量结构相似度的基石。它把预测结构整体平移、旋转到与实验结构最佳重合后，逐原子量距离，再求均方根，得到一个以埃（Å）为单位的数值。

RMSD 就像寻宝队的“误差尺”：把预测结构摆到与真实宝藏最佳重合的位置，逐点量距离。竞赛中，RMSD 足够小（如小于 1.5Å）且能量排序正确，裁判才判定“你找到了宝藏”。

\mathrm{RMSD} = \sqrt{\dfrac{1}{N}\sum_{i=1}^{N}\left\| \mathbf{R}_i^{\text{预测}} - \mathbf{R}_i^{\text{实验}} \right\|^2}

RMSD 越小，说明预测结构越接近实验结构；竞赛中 RMSD 足够小且能量合理，才算“找到宝藏”。

原子坐标差$\mathbf{R}_i^{\text{预测}} - \mathbf{R}_i^{\text{实验}}$ 表示第 $i$ 个原子在两个结构中的位置差向量，取范数得到距离。
$\left\| \mathbf{R}_i^{\text{预测}} - \mathbf{R}_i^{\text{实验}} \right\|$
平方与平均对 $N$ 个原子的距离平方求和再除以 $N$，放大较大偏差并给出平均偏离程度。
$\frac{1}{N}\sum_{i=1}^{N}$
开根号还原量纲$\sqrt{\cdot}$ 使结果与坐标同量纲（Å），数值越小表示两个结构越相似。
$\sqrt{\cdot}$

传统方法策略：老牌队伍的精密打法

老牌寻宝队背着重型精密测高仪——密度泛函理论（DFT）计算。每测量一个点的海拔都精准可靠，但成本极高：一个结构往往要算上几个小时。测不了多少点，就必须靠聪明的搜索策略。

最经典的是进化算法，代表性软件是 USPEX。它模仿自然选择：初始化一队候选结构，用 DFT 计算能量作为适应度，能量低的个体被保留，通过“杂交”（两结构合并取片段）和“变异”（扰动原子位置、改变晶格）产生新后代，逐代逼近最低能量结构。另一条路线是随机采样（AIRSS），随机撒出大量“看起来合理”的结构，再用 DFT 局部松弛。此外还有模拟退火、粒子群等策略，它们的共同点是：以 DFT 为最终裁判，保证能量评估的物理精度。

选择谁进入下一代，本质上是一个概率问题——能量越低，存活概率越高。

老牌队伍打的是“以质取胜”：测量昂贵，就用进化选择把有限计算资源集中到最有希望的山谷。你在后面的 Python 实战中会看到，四十行代码就能复现这个进化搜索的雏形。

P_{\text{存活}}^{(i)} = \dfrac{\exp\left(-E_i / k_B T\right)}{\displaystyle\sum_{j=1}^{M} \exp\left(-E_j / k_B T\right)}

这是个“软性淘汰”规则：能量低的候选结构被保留的概率更高，但低能量个体不会垄断全部名额，从而保持种群多样性。

个体能量 $E_i$当前候选结构的 DFT 总能量，是进化算法中的“适应度”。
$E_i$
指数权重$\exp\left(-E_i / k_B T\right)$ 使能量越低、得分越高，$T$ 是“选择温度”，温度高时个体差异被拉平，避免过早收敛到局部最优。
$\exp\left(-\frac{E_i}{k_B T}\right)$
归一化概率分母对种群内 $M$ 个个体求和，得到每个个体的存活概率，作为挑选父母与保留后代的依据。
$\sum_{j=1}^{M} \exp\left(-E_j / k_B T\right)$

AI方法创新：新派队伍的直觉打法

新派寻宝队不带重型仪器，而是带了一本“千岛地形图册”——他们分析过成千上万座岛屿的等高线数据，一眼扫过新地形，就能凭直觉判断哪里可能有深谷。这就是机器学习势能模型带来的变革。

机器学习势（ML Potential，如 GAP、MACE、神经网络势）从大量 DFT 计算结果中学习“结构→能量/受力”的映射，预测一次能量只需毫秒级，比 DFT 快几个数量级。搜索时先用 ML 势快速扫荡，锁定少数候选结构，再交给 DFT 精算确认。更进一步的创新是生成式模型：扩散模型、GAN 等直接学习现有晶体结构的分布，按给定化学组成“无中生有”地生成候选；主动学习则让模型先预测一批结构，用 DFT 验证后把结果反馈回训练集，再迭代改进——AI 在实战中越用越聪明。

训练一个机器学习势，核心是让模型同时学会预测能量和原子受力：

新队伍的打法是“以量取胜 + 持续进化”：百万次廉价评估覆盖广袤地形，再用精算确认。近几届竞赛中，这类方法横扫速度榜单，成为最大赢家。

\mathcal{L}(\theta) = \left\| \hat{E}_\theta(\mathbf{R}) - E_{\text{DFT}}(\mathbf{R}) \right\|^2 + \lambda \left\| \hat{\mathbf{F}}_\theta(\mathbf{R}) - \mathbf{F}_{\text{DFT}}(\mathbf{R}) \right\|^2

损失函数 = 能量预测误差 + 力预测误差，两者共同约束模型逼近 DFT 的精度。

能量预测损失$\left\| \hat{E}_\theta(\mathbf{R}) - E_{\text{DFT}}\right\|^2$ 衡量模型预测能量与 DFT 参考能量的差距，是训练的主目标。
$\left\| \hat{E}_\theta(\mathbf{R}) - E_{\text{DFT}}(\mathbf{R}) \right\|^2$
力匹配项$\lambda \left\| \hat{\mathbf{F}}_\theta(\mathbf{R}) - \mathbf{F}_{\text{DFT}}\right\|^2$ 让模型同时学会预测原子受力，力的信息远多于标量能量，能大幅提升训练效率。
$\lambda \left\| \hat{\mathbf{F}}_\theta(\mathbf{R}) - \mathbf{F}_{\text{DFT}}(\mathbf{R}) \right\|^2$
可训练参数 θ通过梯度下降不断更新神经网络权重，让预测越来越接近 DFT，最终做到“毫秒级近似 DFT”。
$\theta \leftarrow \theta - \eta \nabla_\theta \mathcal{L}$

性能差距分析：快与准的对决

新老队伍同场竞技，谁更胜一筹？结果耐人寻味：AI 在速度上碾压，DFT 在精度上兜底，而真正的赢家是能把两者结合起来的队伍。

速度优势是压倒性的。ML 势评估一次能量的耗时比 DFT 少 2~4 个数量级，意味着同样的时间内，AI 队伍能搜索的候选结构多上千倍。生成式模型甚至可以不经过迭代直接产出优质候选。但 AI 也有明显短板：ML 势的精度完全依赖训练数据分布。竞赛主办方常在题目中放入新颖化学体系，一旦碰到“没见过的地形”，ML 势就会把假山谷当真宝藏。

统计学习理论给出了直觉性解释——泛化误差由训练误差和模型复杂度/样本量共同决定。

因此最强队伍不再二选一，而是打组合拳：AI 粗筛 + DFT 精修 + 物理先验约束。这就像寻宝队先用直觉圈定几个可疑山谷，再用精密仪器逐一验证——既快又稳，才是通往宝藏的最优路线。

\varepsilon_{\text{泛化}} \lesssim \varepsilon_{\text{训练}} + \mathcal{O}\left(\sqrt{\frac{d_{\text{模型}}}{N_{\text{样本}}}}\right)

模型再复杂、训练集再大，泛化误差也有理论上限；样本量不足或模型过大，都会让“地形直觉”在新地形上失灵。

训练误差$\varepsilon_{\text{训练}}$ 是模型在已知数据上的误差，它往往很低，但低不一定代表好——可能只是背下了旧岛屿的等高线。
$\varepsilon_{\text{训练}}$
复杂度项$\mathcal{O}\left(\sqrt{d_{\text{模型}}/N_{\text{样本}}}\right)$ 说明模型参数越多（$d$ 大）、样本量越少（$N$ 小），泛化风险越高——这就是“过拟合”的数学来源。
$\sqrt{\frac{d_{\text{模型}}}{N_{\text{样本}}}}$
权衡的艺术控制模型规模、扩大训练数据，才能让泛化误差真正下降，这也是竞赛中 AI 方法持续迭代的关键。
$\varepsilon_{\text{泛化}} \lesssim \varepsilon_{\text{训练}} + \mathcal{O}(\cdot)$

发展趋势展望：从寻宝到绘制地图

二十多届寻宝赛下来，各队伍的点位记录汇聚成一张越来越精细的“藏宝地形图集”。竞赛不再只是分出胜负，而是在共同绘制材料世界的蓝图。

三大趋势清晰可见：物理融合 AI——等变神经网络把旋转、平移、周期性等物理对称性直接写进模型结构，让预测更稳、数据需求更少；材料基础模型——在海量晶体结构数据上预训练的大模型，微调即可适应新化学体系；自主实验闭环——AI 预测结构、机器人自动合成与表征、结果反馈再训练，形成“预测-验证-学习”的自动飞轮。这些方向共同指向材料信息学：让数据与 AI 成为新材料发现的基础设施。

竞赛的量化成果同样亮眼：预测成功率从早期不足 30% 逐步提升并趋于饱和，可以用一个简单的增长模型描述。

从盲测竞赛走出的方法，正走进药物多晶型筛选、电池材料发现等真实战场。当初岛主们为公平而设的寻宝赛，如今成了整个材料科学加速发现的引擎——寻宝图正变成全人类的材料蓝图。

S(t) = S_{\max}\left(1 - e^{-k\,t}\right)

成功率随竞赛届数增加而上升，但增速放缓、趋于上限——突破瓶颈需要新范式。

成功率上限 $S_{\max}$竞赛方法的天花板，由任务难度与物理极限共同决定。
$S_{\max}$
学习速率 $k$$k$ 越大，成功率提升越快，反映方法学进步的速度。
$e^{-k\,t}$
饱和现象$1 - e^{-kt}$ 随 $t$ 增大趋近于 1，说明早期进步快、后期逼近上限，需要新的范式（如物理融合 AI）才能突破瓶颈。
$1 - e^{-k\,t}$

AI 应用场景

药物多晶型筛选

阶段：候选结构生成与稳定相排序

解决的问题：同一种药物分子可能有多种晶体排列（多晶型），不同晶型的溶解度、生物利用度差异巨大。传统实验筛选耗时数月且成本高昂；竞赛验证的进化算法 + 机器学习势方法可以快速枚举大量晶型候选，按能量排序，优先合成实验概率高的晶型，把“盲试”变成“有地图的搜索”。

具体案例：某制药公司在评估口服候选药物时，用竞赛同款 ML 势粗筛出几十种潜在晶型，再用 DFT 精修锁定三种最稳定结构，提前规避了“上市后转晶失效”的风险，将晶型筛选周期从半年压缩到三周。

电池材料加速发现

阶段：候选电极/电解质结构生成与筛选

解决的问题：传统试错法合成上千次才能碰运气找到新材料。竞赛中成熟的生成式模型可以按目标化学组成直接产出候选结构，ML 势快速筛选，DFT 验证关键候选，把搜索范围从“大海捞针”缩小到“定向捕捞”。

具体案例：某研究团队用扩散模型生成锂快离子导体候选，结合主动学习迭代三轮回合，发现了两种具有潜力的新型固态电解质结构，离子电导率预测值优于主流材料，后续实验合成验证了其中一种。

自主实验闭环

阶段：全流程“预测-合成-表征-学习”闭环

解决的问题：传统“计算归计算、实验归实验”的流程割裂，反馈周期长。竞赛催生的主动学习思路被移植到自驱动实验室（Self-Driving Lab）：AI 每轮预测最有价值的候选结构，机器人自动合成并表征，结果实时回传再训练模型。

具体案例：某高校的自主实验平台以竞赛方法为基础，在无人值守的情况下连续运行两周，自动完成了数百次合成实验，发现了一种性能优异的发光材料，整个过程无需人工干预。

Python 演示

python61 行

import mathimport random  def lj_energy(positions, box, eps=1.0, sigma=1.0):    """1D Lennard-Jones energy with periodic boundary."""    n = len(positions)    energy = 0.0    for i in range(n):        for j in range(i + 1, n):            d = abs(positions[i] - positions[j])            d = min(d, box - d)            if d < 1e-6:                d = 1e-6            sr = sigma / d            energy += 4.0 * eps * (sr ** 12 - sr ** 6)    return energy  def random_individual(n_atoms, box):    return sorted(random.uniform(0.0, box) for _ in range(n_atoms))  def mutate(individual, box, step):    child = individual[:]    idx = random.randrange(len(child))    child[idx] = (child[idx] + random.uniform(-step, step)) % box    child.sort()    return child  def evolve(n_atoms, box, pop_size=24, generations=60, seed=42):    random.seed(seed)    population = [random_individual(n_atoms, box) for _ in range(pop_size)]    history = []    best_ever = None    for gen in range(generations):        scored = sorted(population, key=lambda ind: lj_energy(ind, box))        best = scored[0]        if best_ever is None or lj_energy(best, box) < lj_energy(best_ever, box):            best_ever = best[:]        history.append(lj_energy(best, box))        elites = scored[:pop_size // 2]        step = 0.35 * box * (0.93 ** gen) + 0.02        next_gen = elites[:]        while len(next_gen) < pop_size:            parent = random.choice(elites)            next_gen.append(mutate(parent, box, step))        population = next_gen    return best_ever, history  if __name__ == "__main__":    box_size = 4.0    num_atoms = 4    best, history = evolve(num_atoms, box_size)    print("best energy:", round(lj_energy(best, box_size), 4))    print("best positions:", [round(p, 3) for p in best])    print("last 10 generations:")    for gen in range(len(history) - 10, len(history)):        print("gen", gen, "best", round(history[gen], 4))

目的：用进化算法在一维周期盒子中搜索 Lennard-Jones 势能面的全局最低能量结构，复现传统方法在竞赛中的“搜索-选择-变异”核心思路。

def lj_energy(positions, box, eps=1.0, sigma=1.0):定义一维 Lennard-Jones 对势，模拟原子间的吸引与排斥，能量越低结构越稳定。
d = min(d, box - d)周期边界最小镜像距离，避免跨越边界的相邻原子被错误地算成远距离。
sr = sigma / d无量纲距离，sr ** 12 是短程排斥项，sr ** 6 是长程吸引项，两者平衡决定最优间距。
scored = sorted(population, key=lambda ind: lj_energy(ind, box))按能量从低到高排序，能量低的结构相当于寻宝中更接近“深谷”。
elites = scored[:pop_size // 2]保留前一半精英个体直接进入下一代，体现“适者生存”。
step = 0.35 * box * (0.93 ** gen) + 0.02变异步长随代数衰减，先广撒网后精雕细琢，避免后期震荡。
next_gen.append(mutate(parent, box, step))对精英做小扰动产生后代，维持种群多样性同时聚焦优质区域。
history.append(lj_energy(best, box))记录每代最优能量，便于观察收敛曲线是否逼近全局最优。

常见误区

误区

正解

误区

正解

误区

正解

误区

正解

面试题

Q1. 结构预测竞赛采用“盲测”设计，其最主要目的是？

单选题 · easy

A.防止参赛者提前知道参考答案← 正确答案
B.显著增加竞赛过程的计算量
C.统一规定选手使用 DFT 方法
D.减少参赛队伍需要的原子数量

答案：A。盲测的精髓是“答案事后揭晓”，杜绝参赛者针对已知结构调参、背答案。B、C、D 都不是竞赛设计的目的，盲测与计算量、方法统一、原子数量无关。

Q2. 晶体结构预测要寻找的核心目标是？

单选题 · easy

A.晶胞体积最大的原子排列方式
B.能量全局最低的稳定晶体结构← 正确答案
C.原子堆积密度最高的晶体排布
D.空间对称性最好的晶格结构

答案：B。结构预测在能量地形上搜索“最深的谷”——全局最低能量结构，它对应热力学最稳定的排列。体积最大、密度最高、对称性最好都不等同于能量最低。

Q3. 一个晶胞含 2 个刚性分子，其搜索自由度约为多少？

单选题 · mid

A.6 个（仅晶格参数）
B.12 个（仅分子平移）
C.18 个（6 加 12）← 正确答案
D.24 个（3N 个原子）

答案：C。总自由度 = 6 个晶格参数 + 6n 个分子自由度 = 6 + 6×2 = 18。A 漏掉了分子自由度，B 漏掉了旋转和晶格，D 错在把刚性分子当成了自由原子。

Q4. RMSD 指标直接衡量的是？

单选题 · mid

A.预测结构与实验结构的原子位置偏差← 正确答案
B.预测结构能量与实验能量的数值差
C.搜索算法运行所需的计算时间
D.晶胞内所包含的原子总数目

答案：A。RMSD 是逐原子坐标差异的均方根，衡量几何相似度。能量差、计算时间、原子数目都不是 RMSD 的定义，能量合理性另有独立指标。

Q5. 下列哪些属于传统全局搜索策略？

多选题 · mid

A.遗传进化算法← 正确答案
B.随机结构采样← 正确答案
C.模拟退火方法← 正确答案
D.扩散生成模型

答案：ABC。遗传算法（USPEX）、随机采样（AIRSS）、模拟退火都是传统搜索策略，靠 DFT 评估能量。扩散生成模型属于 AI 生成式方法，是后起之秀。

Q6. 机器学习势相对 DFT 最主要的优势是？

单选题 · mid

A.能量评估速度快数个量级← 正确答案
B.完全不依赖任何训练数据
C.可以精确处理强关联体系
D.无需任何参数即可使用

答案：A。ML 势把 DFT 的计算压缩成一次前向传播，速度提升 2~4 个数量级。但它依赖训练数据，也无法凭空提高强关联体系的描述精度，B、C、D 都不成立。

Q7. AI 方法在竞赛中的典型创新包括哪些？

多选题 · hard

A.神经网络学习势能面← 正确答案
B.生成式模型构造候选结构← 正确答案
C.主动学习闭环反馈训练← 正确答案
D.完全抛弃物理定律约束

答案：ABC。ML 势、生成模型、主动学习是竞赛中 AI 创新的三大支柱。D 错误——优秀方法恰恰把物理对称性、能量先验嵌入模型，而不是抛弃物理。

Q8. 竞赛中判定“成功”的基本判据是？

单选题 · mid

A.预测结构与实验一致且能量合理← 正确答案
B.提交的候选结构数量达到上限
C.计算时间排名全队第一
D.预测结构的对称性高于实验

答案：A。成功的定义是“找到宝藏”——预测结构与实验结构高度一致（RMSD 足够小），且能量处于合理范围。提交数量、速度排名、对称性都不是正确判据。

Q9. 泛化误差公式 ε ≤ ε_train + O(√(d/N)) 说明了什么？

多选题 · hard

A.训练误差越低泛化能力一定越好
B.模型越复杂泛化风险越高← 正确答案
C.训练样本越多泛化能力越强← 正确答案
D.样本量与模型复杂度毫无关系

答案：BC。公式第二项随模型复杂度 d 增大而增大、随样本量 N 增大而减小，因此 B、C 正确。A 是典型误区——训练误差低可能只是过拟合；D 与公式直接矛盾。

Q10. 材料基础模型（Foundation Model）的核心思想是？

单选题 · extreme

A.大规模预训练加下游微调适应← 正确答案
B.只针对单一材料反复调参训练
C.用更快的计算机穷举搜索结构
D.放弃量子力学原理只用经验规则

答案：A。基础模型在海量晶体数据上自监督预训练，学到通用的“结构-性质”表示，再针对新化学体系微调，类似大语言模型的“预训练+微调”范式。B 是小模型思路，C、D 与基础模型理念相悖。