来源论文: https://arxiv.org/abs/2606.07836v1 生成时间: Jun 09, 2026 16:24

代理引导的多保真度机器学习在准粒子与激子特性表征中的革命性应用：解决高通量 GW-BSE 计算中的数值脆弱性

0. 执行摘要

在现代凝聚态物理与量子化学领域，低维纳米材料（如二维过渡金属硫族化合物 TMDCs、范德华异质结）因其独特的量子局域效应、极高的激子结合能以及卓越的光电调控潜力，成为了新一代光电器件、激子器件和量子信息技术的研究热点。精确预测这些体系的激发态性质，需要依赖基于多体微扰理论（Many-Body Perturbation Theory, MBPT）的 GW 近似与**贝特-萨尔皮特方程（Bethe-Salpeter Equation, GW-BSE）**方法。

然而，在面向大规模材料筛选与发现的高通量计算（High-Throughput Computation）流水线中，GW-BSE 面临着一个极其严峻且常被忽视的瓶颈：数值脆性（Numerical Fragility）导致的静默失效（Silent Failures）。在二维或准二维体系中，长波极限（$G o 0$）下的介电屏蔽极为敏感。当结构受到应变（Strain）调制、堆叠方式改变或倒空间网格（$k$-mesh）采样不足时，计算程序常常能够“成功”运行完毕，却在内部产生非物理的数值跃变（如带隙虚假尖峰、近零带隙塌陷等）。这类数值伪影并非随机白噪声，而是呈现出局域结构化的病态分布。若直接将这些未经清洗的原始数据用于常规机器学习代理模型（Surrogate Models）的训练，模型将不可避免地拟合这些非物理的数值病态，从而彻底丧失预测的鲁棒性。

针对这一痛点，来自洛斯阿拉莫斯国家实验室（LANL）的 Arnab Neogi 团队及其合作者，在最新的研究中提出了一种代理引导的多保真度主动学习框架（Agent-Guided Multi-Fidelity Framework）。该方法首次引入基于大语言模型（LLM，具体采用 GPT-5.5 架构）的“结构化科学代理层（Structured Agent Layer）”，对高通量 GW-BSE 流水线生成的原始多保真度数据进行实时诊断、质量评估（Triage）与主动锚点（Anchor）选择。通过科学代理层输出的置信度权重，引导后端的**图注意力转移网络（Graph Attention Transfer, GAT）与因果因果结构启发式高斯过程回归（Causal-Structure-Informed Gaussian Process Regression, GPR）**模型，在多保真度 $\Delta$-空间（Delta-Space）中完成高精度的激发态性质重建。

实验结果表明，该方法在不丢失应变物理物理依赖性的前提下，不仅完美平滑了由于长波介电屏蔽收敛不足引起的伪影，更将 GW 直击带隙的均方根误差（RMSE）从常规未引入代理模型的 1.3372 eV 剧烈降低至 0.0481 eV，激子结合能预测的 $R^2$ 评分从 $-253.45$ 提升至 0.9360。这一方案不仅为二维材料激发态性质的可靠预测奠定了技术基础，更为人工智能驱动的自主物质发现（Autonomous Materials Discovery）提供了一种全新的、具备“自省”与“纠错”能力的闭环范式。

1. 核心科学问题，理论基础，技术难点，方法细节

1.1 核心科学问题：高通量计算中的“静默失效”与低维介电屏蔽病态

在密度泛函理论（DFT）等基态计算中，计算的收敛性通常可以通过自洽场（SCF）的能量差直接判定。然而，GW-BSE 激发态计算属于高度多阶段耦合的复杂流水线：

在这一长链条中，任何一个阶段的微小不稳定性都会向下游剧烈传导。在准二维体系中，这一不稳定性最为突出的物理根源在于长波极限下的介电屏蔽特性。

在三维各向同性材料中，当动量转移 $\mathbf{q} \to 0$ 时，介电函数 $\epsilon(\mathbf{q})$ 趋于常数。但在二维材料中，介电极化率 $\chi^{2D}(\mathbf{q})$ 在长波极限下表现为线性行为 $\chi^{2D}(\mathbf{q}) \approx \alpha |\mathbf{q}|$，导致面内有效介电函数呈现出强烈的动量依赖性。在实际的第一性原理超胞（Supercell）计算中，为了模拟二维单层或双层结构，必须引入真空层以消除相邻层间的非物理镜像相互作用。这种人工的三维超胞处理，导致微观介电屏蔽矩阵的“头部”元素（Head, $\mathbf{G}=0, \mathbf{G}'=0$）对倒空间采样网格（$k$-mesh）极为敏感。当外加应变改变晶格常数或层间距时，倒空间网格的离散采样点可能正好落在极化率剧烈变化的区间，从而在粗糙的 $k$ 网格下诱发出伪影。这种数值局域脆弱性表现为：

• 准粒子直接带隙（GW direct gap）出现陡峭的、脉冲状的非物理尖峰（Spikes），甚至是数值极低的近零带隙塌陷。
• 激子光谱与激子结合能（Exciton Binding Energy）在局部应变区间发生阶跃性中断。

传统的自动流水线只能通过判断任务是否“完成”（Exit Code 为 0）来过滤数据，对这种通过物理学验证才能察觉的“静默失效”无能为力。

1.2 理论基础：多体微扰论与多保真度学习体系

GW 近似与自能

在单粒子近似下，电子受到的多体相互作用被简化为平均场。而在多体理论中，准粒子能量通过求解如下本征值方程获得：

其中自能算符 $\Sigma$ 在 $GW$ 近似下表示为 Green 函数 $G$ 与屏蔽库仑相互作用 $W$ 的乘积：

屏蔽相互作用 $W = \epsilon^{-1} V_C$，其中 $V_C$ 为库仑势，$\epsilon$ 为微观介电函数。正由于 $\epsilon$ 与计算采用的 $\mathbf{k}$ 网格密切相关，不完整的倒空间收敛将直接破坏自能 $\Sigma$ 的计算精度。

Bethe-Salpeter 方程 (BSE)

为了描述光激发下的电子-空穴两体关联效应（即激子态），需要求解 BSE：

其中 $E_{c\mathbf{k}}$ 和 $E_{v\mathbf{k}}$ 分别为准粒子导带与价带能量，$\Omega^S$ 为激子激发能，激子结合能定义为：

其中 $E_1$ 为最低能量的明激子态。准粒子带隙 $E_{g, \text{dir}}^{GW}$ 自身的数值伪影会无缝传导并放大至激子结合能 $E_b$ 的预测中。

1.3 技术难点：多保真度学习中的伪影传播与小样本困境

多保真度学习（Multi-Fidelity Learning）的基本假设是：低保真度（Low-Fidelity）数据（如粗糙 $k$ 网格的计算，成本低但有系统偏差）包含了目标物理流形的大部分拓扑特征，而高保真度（High-Fidelity）数据（如极端致密 $k$ 网格的计算，精度高但成本昂贵）用于校准绝对数值。常见的数学方法为 $\Delta$-学习框架：

然而，当低保真度数据（如 $12 \times 12 \times 1$ 网格）中饱含非物理突变，而高保真度数据（如 $21 \times 21 \times 1$ 网格）又极其稀疏（高成本导致只能在少数结构点计算）时，后端的插值或回归模型（如高斯过程、神经网络）在拟合 $\Delta(\mathbf{x})$ 时会出现剧烈震荡，将“数值噪声”误判为“剧烈的物理相变”。

1.4 方法细节：Agent 协同的多保真度闭环控制架构

针对上述难点，论文设计了一个四层递进式架构（参见下图展示的系统逻辑）：

[原始多保真度数据集] -> [特征工程与统计学检测器] -> [LLM 科学代理层 (Triage)] -> [Delta-空间图注意力转移模型] -> [因果约束高斯过程校正]

1.4.1 特征工程与统计学检测器

对于每一个晶格结构点 $\mathbf{x}$，首先提取一系列多保真度物理特征与元数据：

• 基态/准粒子特征： Kohn-Sham 带隙、GW 直接带隙、GW 间接带隙、剪刀差校正。
• 激子特征： 最低能量明激子能级 $E_1$、激子在倒空间的中心质动量分布与展宽。
• 跨网格不一致性特征： 构建描述不同 $k$ 空间网格离散化差异的差分特征：

• 环境级尖峰得分（Spike Score）： 为了定量捕获在应变系列线 $\{y(\epsilon_i)\}$ 上的不物理阶跃突变，定义环境内二阶有限差分：

1.4.2 LLM 科学代理层 (Scientific Agent Layer)

当体系的计算特征满足以下特定触发条件（如 $S_{\text{spike}} > \text{threshold}$、出现近零带隙、或跨网格不一致性偏大）时，将触发 Agent 介入。Agent 核心组件是基于 GPT-5.5 API 构建的推理引擎，它通过结构化 Pydantic 模式进行输入与输出限制。

• Agent 的输入（Context）： 包含当前结构点的一阶/二阶梯度、跨网格标准差 $\sigma_{\text{across } k}$、对称性守恒性状态、高保真度锚点分布等元数据。
• Agent 的科学决策机制（System Prompt Instructions）： 内置了经过专家微调的物理学先验知识规则：
  1. 若发现 GW 直接带隙急速下降同时伴随长波介电函数极化率异常，判定为“介电头部不稳定性”，降低该点置信权重。
  2. 若对称性完全保留但邻近点带隙发生突跃，归类为“非物理网格伪影”。
  3. 在极端应变区，若缺少致密网格验证，标记为“高不确定度区”，触发高保真度锚点增补请求。
• Agent 的输出（Structured Schema）：

  {
    "trust_score": 0.15, 
    "anomaly_class": "dielectric-head instability",
    "recommended_action": "downweight",
    "anchor_priority": "high",
    "training_weight": 0.05
  }
  

1.4.3 $\Delta$-空间图注意力转移模型（Graph Attention Transfer, GAT）

利用 Agent 输出的 training_weight 重新加权训练集。将每一个应变状态视为图中的节点，同一种堆叠、同一应变分支的演化路径构建为具有位置编码（Positional Encoding）的链状图结构。采用 GAT 在多保真度差分空间内进行回归：

由于模型专门拟合 $\Delta_{15 \to 21}$ 等差分项，极大地减轻了多保真度映射的非线性拟合压力。

1.4.4 因果因果结构启发式高斯过程回归（Causal-Structure-Informed GPR）

为消除图注意力机制残留的结构化系统误差，后端引入了 GPR 进行残差修正（Residual Correction）：

其中，$\mathbf{x}_{Pa(Y)}$ 是通过严格的因果发现算法（Constraint-Based Causal Discovery，如 PC 算法）在几十个物理描述符中筛选出的“因果父节点属性集”（Parent Variables），避免了将非因果相关的数值控制参数引入 GPR，从而阻断了数值噪声在残差修正中的二次污染。

2. 关键 benchmark 体系，计算所得数据，性能数据

2.1 关键 Benchmark 体系设计

为了全面验证该方法的效能，论文选取了**过渡金属硫族化合物异质双层（MoS2-WS2 Bilayer）**作为基准。该体系是研究应变激子工程最具代表性的二维范德华异质结之一。

• 四个经典堆叠构型（Stacking Registries）：
  • AA 堆叠（层间金属-金属、硫-硫重合）
  • AA’ 堆叠（层间金属-硫重合，旋转 180°）
  • AB 堆叠
  • SP (Sliding Phase) 堆叠
• 双对应变分支（Two Strain Branches）：
  • $ab$-应变（面内各向同性双轴应变）：调节晶格常数，模拟各向同性拉伸/压缩，应变范围 $\epsilon \in [-12\%, 12\%]$。
  • $c$-应变（层间剪切与垂直应变调制）：控制层间相互作用与极化屏蔽，应变范围 $\epsilon \in [-12\%, 12\%]$。

对于每一个晶格配置，进行三个保真度层级的 GW-BSE 第一性原理计算：

1. 低保真度（Coarse Mesh）：$12 \times 12 \times 1$ 的 $k$ 网格。
2. 中等保真度（Medium Mesh）：$15 \times 15 \times 1$ 的 $k$ 网格。
3. 高保真度（Fine Mesh / Reference）：$21 \times 21 \times 1$ 的 $k$ 网格。

2.2 计算所得核心异常分析：介电屏蔽的数值病态行为

在 SP 堆叠异质结的 $c$-应变演化线上，第一性原理原始计算显示出灾难性的数值伪影（如图 3 所示）：

• 在应变 $\epsilon \approx 10\%$ 附近，低保真度（12x12x1）的原始 GW 直接带隙突然产生剧烈的虚假塌陷，数值急速跌落至接近 0.1 eV 的超窄带隙区。
• 与此同时，对应的最低能级激子结合能 $E_b$ 在该区间也呈现出大幅断裂式的跳跃。

当研究团队深入提取微观对角极化函数 $\epsilon_{\text{diag}}(\mathbf{G})$ 在极小 $|\mathbf{G}|$ 区域的响应曲线时，发现：在正应变 $\epsilon = 7.2\%$（无伪影点）与 $\epsilon = 7.4\%$（伪影爆发点）之间，介电函数在 $\mathbf{G} \to 0$ 处的极化率呈现了数倍的阶跃性发散，这完全是由于 coarse $k$-mesh 对二维介电函数的各向异性奇点积分不完整导致的数值失效。而在高保真度（21x21x1）网格下，这些非物理尖峰完全消失，证明了异常源自数值不收敛而非物理相变。

2.3 预测性能数据：带Agent与无Agent的深度对决

为严谨评估科学代理层在多保真度回归中的关键作用，论文设置了对比测试。以下为基于高保真度（21x21x1）作为真实标签（Ground Truth）进行泛化验证的评估指标数据对比：

表 1：GW 直接带隙（GW Direct Gap）预测精度对比

数据解读：没有 Agent 参与时，模型被迫将 coarse mesh 中的大幅度伪影塌陷（~1.2 eV 的误差）拟合进去，导致全局预测崩溃，决定系数 $R^2$ 呈现非物理的负数（-1.7500）。而引入 Agent 引导后，由于异常点的权重被压低至接近 0，模型仅提取平滑的应变物理趋势，并精准利用稀疏高保真度锚点进行微幅修正，RMSE 达到了极高的化学精度（48 meV），完美拟合了真实流形（$R^2 = 0.9966$）。

表 2：最低激发态激子结合能（$E_b$）预测精度对比

数据解读：由于激子哈密顿量的求解高度依赖于介电屏蔽矩阵的精度，无 Agent 的模型在此处的表现更加灾难性，$R^2$ 跌落至 $-253.45$。本工作提出的 Agent 多保真度框架则通过选择性排除异常、加权校正，将 RMSE 控制在 36.7 meV，完美重建了激子结合能随堆叠和应变平滑演化的物理图像（$R^2 = 0.9360$）。

2.3.1 预测区间不确定性标定（Uncertainty Calibration）

高斯过程残差修正模块不仅输出点预测，还输出预测区间置信度（以标准差 $\sigma$ 表征）。论文通过计算经验覆盖率（Empirical Coverage Fraction）与理想高斯分布期望覆盖率随区间宽度系数（$k\sigma$）的符合度曲线（参见图 6）：

• GW 直接带隙与激子结合能的经验覆盖曲线紧密贴合理想高斯对角线。这意味着，在 Agent 判定高保真度数据极其匮乏或物理变化极其剧烈的区间（如直接-间接带隙交叠区），模型输出的 $\sigma$ 对应增宽，输出的不确定度具有真实的物理学和统计学自洽性，极其适合后续基于主动学习（Active Learning）最大化信息熵的贝叶斯优化迭代。

3. 代码实现细节，复现指南，所用的软件包及开源 repo link

3.1 基础软件栈与第一性原理流水线

1. 密度泛函与激发态计算核心：VASP (Vienna Ab initio Simulation Package) >= 6.3.0。
   • 需配置支持 GW/BSE 的编译版本（通常为 vasp_std 或 vasp_gam ），且必须支持自旋-轨道耦合（SOC）。
   • INCAR 关键参数配置：
     • 基态弛豫：ENCUT = 260, EDIFF = 1E-6, ISMEAR = 0, SIGMA = 0.05。
     • GW 自能计算：ALGO = EVGW (特征值自洽 GW)，NOMEGA = 50 (频点采样)。
     • BSE 激子计算：ALGO = BSE, ANTIRES = 0 (忽略 Tamm-Dancoff 近似的非共振部分，以确保二维体系计算的物理完整性)，NBANDSO = 4 (价带参与数), NBANDSVM = 4 (导带参与数)。
2. 晶体结构操作与解析：Pymatgen >= 2022.0.17 及 ASE (Atomic Simulation Environment)。
   • 用于批量生成堆叠结构、均匀施加面内和垂直应变，以及自动提取 VASP 生成的 OUTCAR、vasprun.xml 中的极化率张量及带隙信息。

3.2 代理框架与机器学习核心组件复现说明

整个机器学习工作流使用 Python 构建，包含三个核心功能模块：

模块一：基于大语言模型的结构化 Agent（Scientific Triage Module）

该模块调用大语言模型，并结合 pydantic 进行严格的 JSON 约束输出，防止 LLM 返回自由文本干扰数据读取流水线。

import openai
from pydantic import BaseModel, Field
from typing import Literal, Optional

# 定义 Agent 返回的结构化 JSON Schema
class ScientificEvaluation(BaseModel):
    trust_score: float = Field(..., description="置信分数，范围在 [0.0, 1.0] 之间")
    anomaly_class: Literal["ordinary", "spike", "zero-gap regime", "cross-mesh disagreement", "incomplete workflow", "physical transition"]
    likely_cause: Literal["small-G screening sensitivity", "k-mesh sampling convergence", "reduced corrected bands", "stage incompleteness", "possible band crossover", "unknown"]
    recommended_action: Literal["retain", "downweight", "exclude", "prediction-only", "request-high-fidelity"]
    anchor_priority: Literal["low", "medium", "high"]
    training_weight: float = Field(..., description="用于后端模型训练时的重新加权系数，通常根据置信分数计算")
    scientific_notes: str = Field(..., description="详细说明其物理或数值判断原因的文本")

def run_scientific_agent(diagnostics: dict, api_key: str) -> ScientificEvaluation:
    """
    调用 GPT API 评估计算点品质的 Agent 函数
    """
    client = openai.OpenAI(api_key=api_key)
    
    prompt = f"""
    作为一个量子材料激发态物理专家，请评估以下 GW-BSE 计算数据点的品质指标并输出结构化决策。
    该点基本元数据如下：
    - Stacking Stucture: {diagnostics['stacking']}
    - Applied Strain: {diagnostics['strain']:.4f}
    - GW direct gap (12x12x1): {diagnostics['gap_12']:.4f} eV
    - GW direct gap (15x15x1): {diagnostics['gap_15']:.4f} eV
    - Cross-mesh variance (std dev): {diagnostics['sigma_across_k']:.4f}
    - Spike score: {diagnostics['spike_score']:.4f}
    - Is near-zero gap flagged (<0.1eV): {diagnostics['near_zero_flag']}
    - Symmetry consistency check status: {diagnostics['symmetry_consistent']}
    
    请根据内置的物理规则推导决策。
    """
    
    # 使用 Pydantic 模型确保结构化输出 (Structured Outputs API)
    completion = client.beta.chat.completions.parse(
        model="gpt-4o-2024-08-06",  # 实际复现建议使用支持结构化输出的最新 GPT-4o
        messages=[
            {"role": "system", "content": "你是一个专业的凝聚态物理高通量数据审核专家系统。"},
            {"role": "user", "content": prompt}
        ],
        response_format=ScientificEvaluation,
        temperature=0.0
    )
    return completion.choices[0].message.parsed

模块二：多保真度图注意力网络（Graph Attention Transfer, GAT）

基于 PyTorch Geometric (PyG) 库实现。链式图网络（由同一组堆叠的不同应变演化序列构成一维图）将结构与中、低保真度带隙作为输入，输出其对差分项 $\Delta_{15 \to 21}$ 的预测值。

import torch
import torch.nn as nn
from torch_geometric.nn import GATConv

class MultiFidelityGAT(nn.Module):
    def __init__(self, in_channels, hidden_channels, out_channels=1, heads=2):
        super(MultiFidelityGAT, self).__init__()
        # 采用两层图注意力网络捕获应变长程关联
        self.conv1 = GATConv(in_channels, hidden_channels, heads=heads, concat=True)
        self.conv2 = GATConv(hidden_channels * heads, hidden_channels, heads=1, concat=False)
        self.fc = nn.Linear(hidden_channels, out_channels)
        self.relu = nn.ReLU()

    def forward(self, x, edge_index):
        x = self.conv1(x, edge_index)
        x = self.relu(x)
        x = self.conv2(x, edge_index)
        x = self.relu(x)
        out = self.fc(x)
        return out

模块三：因果因果结构启发式高斯过程回归（GPR）

利用 Scikit-learn 或 GPyTorch 模块搭建。通过 PC 算法获取因果父变量（如 Kohn-Sham带隙、剪刀差修正），从而限定回归特征维度。其在训练时采用 Agent 输出的置信度权重 training_weight 进行样本不均匀加权。

from sklearn.gaussian_process import GaussianProcessRegressor
from sklearn.gaussian_process.kernels import RBF, WhiteKernel, ConstantKernel as C
import numpy as np

def train_causal_gpr(X_train, y_residual, weights):
    """
    X_train: 限定在因果父变量特征上的输入特征矩阵
    y_residual: y_true - y_GAT_pred
    weights: Agent 返回的 training_weight
    """
    # 复合核函数定义：常数核 * RBF核 + 白噪声核
    kernel = C(1.0, (1e-3, 1e3)) * RBF(length_scale=1.0, length_scale_bounds=(1e-2, 1e2)) + \
             WhiteKernel(noise_level=1e-3, noise_level_bounds=(1e-5, 1e1))
    
    # 使用置信度加权回归 (通过配置 alpha 参数实现样本权重关联，alpha 越大表示越不信任，故取权重的倒数)
    gp = GaussianProcessRegressor(
        kernel=kernel, 
        alpha=1.0 / (weights + 1e-6), 
        n_restarts_optimizer=10,
        random_state=42
    )
    gp.fit(X_train, y_residual)
    return gp

3.3 开源库及推荐资源链接

• 因果特征提取推荐工具：
  • Causal Discovery Toolbox (CDT)：用于自动化筛选 $x_{Pa(Y)}$ 亲本因果变量集合。
  • gCastle (Huawei Noah’s Ark Lab)：另一个强大的 Python 经典因果发现算法库。
• 图深度学习框架：
  • PyTorch Geometric：用于快速构建多保真度差分注意力图。
• VASP 输入输出解析包：
  • Pymatgen：提供极其稳定的 vasp.outputs 解析接口。

4. 关键引用文献，以及你对这项工作局限性的评论

4.1 关键参考文献

1. GW-BSE 核心物理背景文献：
   • [18] F. Aryasetiawan and O. Gunnarsson, “The GW method”, Reports on Progress in Physics 61, 237 (1998). (GW 近似理论奠基性综述，详细阐释了自能和屏蔽库仑相互作用)
   • [19] L. Hedin, “New method for calculating the one-particle Green’s function with application to the electron-gas problem”, Physical Review 139, A796 (1965). (著名的 Hedin 方程组，GW-BSE 方法物理架构的起源)
2. 机器学习、高斯过程与图网络工具文献：
   • [37] P. Veličković, G. Cucurull, A. Casanova, A. Romero, P. Liò, and Y. Bengio, “Graph attention networks”, arXiv:1710.10903 (2017). (提出了图注意力网络 GAT 结构，为应变依赖性拓扑建模提供了算法基础)
   • [41] V. L. Deringer, A. P. Bartók, N. Bernstein, D. M. Wilkins, M. Ceriotti, and G. Csányi, “Gaussian process regression for materials and molecules”, Chemical Reviews 121, 10073 (2021). (材料计算化学中高斯过程回归与物理描述符融合的权威综述)
3. 大语言模型在科学计算中扮演代理角色的文献：
   • [45] OpenAI, “GPT-5.5 (large language model)” (2026). (本工作直接集成的先进 LLM 智能体核心驱动)

4.2 对本工作局限性与潜在缺陷的深度评论

尽管该研究展示了令人瞩目的预测表现提升，但从量子化学和计算凝聚态物理的前沿学术视角审视，该方法依然存在若干不容忽视的局限性：

1. 对 LLM API 确定性与商业依赖性过高

• 科学复现困境：框架深度集成了 GPT-5.5 API，然而商业闭源大模型的权重、参数会随时间发生“静默演进（Concept Drift）”。同一套物理元数据在几个月后调用新版本的 API，可能会输出完全不同的 trust_score 或分类决策。这对于强调“严格可重复（Strict Reproducibility）”的科学计算是一大隐患。
• 私有化部署障碍：目前在超级计算机（HPC）集群上进行高通量第一性原理计算时，由于保密性限制或断网环境，无法直接调用闭源 Web API。论文未能在本地开源小模型（例如 Llama-3-8B-Instruct、Mistral-7B 等）上进行充分的性能 Benchmark 对比，使得该方案的计算可迁移性在实际科研机构中受限。

2. “科学规则”的静态特化性

• Agent 内置的物理学逻辑（如“介电头部不稳定性诊断”）在很大程度上仍需由研究者手动在 Prompt 中定制（如论文 Section IV-F 所示）。这意味着如果将此工作流推广到截然不同的物理现象（如拓扑绝缘体的边缘态、自旋轨道耦合主导的磁性二维材料，或是金属有机骨架材料 MOFs），用户必须推倒重来，重新定义并测试一整套复杂的判定逻辑，难以实现“全自动泛化”。

3. 莫尔超晶格（Moiré Superlattices）带来的尺度外推瓶颈

• 尽管论文展示了 MoS2-WS2 异质双层体系的卓越性能，但在近年最核心的“转角电子学（Twistronics）”莫尔超晶格中，由于晶胞扩大数十甚至数万倍，即使是极度粗糙的 $12 imes 12 imes 1$ 网格下的 $GW$-BSE 计算也是计算资源不可承受之重。在这种极端大尺度下，低保真度模型无法提供足够的初始数据，多保真度回归模型的“外推能力”将遭遇物理上限。

4. 因果发现步骤中亲本变量（Parent Variables）的主观性

• 尽管采用 PC 算法试图实现自动化因果关系抽取，但是在特征工程阶段（Section IV-D）输入哪些基础特征，很大程度上仍依赖于人工经验的“挑选”。如果研究人员遗漏了某些关键物理量（如非对角介电分量、轨道重叠积分），因果模型输出的残差修正精度将会大打折扣。

5. 其他必要的技术补充：长波介电不稳定性与 Soft Guardrail 机制

5.1 二维超胞模型中 $G o 0$ 数值不稳定性深层物理解析

为了给量子化学科研工作者提供更深入的技术参考，有必要进一步拆解“长波介电不稳定性（Long-Wavelength Dielectric Instability）”在 VASP 等平面波计算软件中的数学起源。

在计算微观介电极化率矩阵 $\chi^0_{\mathbf{G}, \mathbf{G}'}(\mathbf{q}, \omega)$ 时，所采用的核心公式为 Adler-Wiser 表达式：

在含有真空层的超胞二维体系中：

• 矩阵头项 $\chi^0_{0,0}(\mathbf{q} \to 0, \omega)$ 在极限情况下的值，在数学上必须依赖极其致密的分母积分（即对 $\mathbf{k}$ 网格的要求），以抵消矩阵积分在该奇点处的剧烈陡坡。
• 如果网格点数量（如 $12 \times 12 \times 1$）不足，Adler-Wiser 求和中离散的 $\mathbf{k}$ 点会将这个原本连续且平滑的介电屏障分布积成“波浪状”或“锯齿状”。
• 该微小波动传导到自能求和矩阵元 $\Sigma_{n\mathbf{k}} = \sum_{\mathbf{q}\mathbf{G}} G W$ 时，由于库仑势 $V_C(\mathbf{q}+\mathbf{G}) \propto 1/|\mathbf{q}+\mathbf{G}|^2$ 的放大效应，奇点附近的极微小扰动会被平方级地放大。这就是为什么在特定的应变网格下，哪怕晶格常数仅变化了 0.1%，准粒子能带也会突发性地产生 1.0 eV 以上“虚假悬崖”的根本物理数学逻辑。

5.2 软安全护栏（Soft Guardrail）机制算法逻辑

为了防止后端的 GPR 在偶发的极端应变区因数据匮乏而发生非物理的计算塌陷（即“不物理近零带隙预测”），本工作还在后处理中设计了一套称为 Soft Guardrail（软安全护栏）的工程纠错策略（Section IV-J）。其算法逻辑框图如下所示：

[模型给出 fine-fidelity 预测能带值 Eg_pred]
                   |
                   v
  <是否同时满足以下三个限制条件？>
  1) 应变绝对值过大 (|ε| > 8.0%)
  2) Eg_pred 接近 0 (Eg_pred < 0.2 eV)
  3) 该晶格配置已被 Agent 标记为 "fragile"
                   |
         +---------+---------+
         | 是                | 否
         v                   v
  [启动 Soft Guardrail 保护]  [维持原 GPR 预测输出]
         |
         v
[重新插值策略：计算近邻可靠结构点的 Eg 均值,
 结合 DFT 基态带隙变化率作为下限进行平滑抬升,
 同时人工将该点预测不确定度 σ 乘上放大因子]

这一工程保障机制展现了“AI for Science”领域的一条黄金法则：不能完全迷信纯粹的数据驱动预测，必须在算法最外层套上一层牢固的、由经典物理学基础边界条件编织的“防护网”。这才是让 Agent 主动学习在复杂计算任务中真正落地并发挥效能的关键秘诀。