机器学习势函数与连续介质模型在二维材料原子重构中的对比研究

1. 项目概述：当机器学习遇见二维材料原子重构

在二维材料的研究中，一个核心的挑战是如何精确地描述和预测其原子结构在复杂环境下的行为。比如，当我们把两层二维材料像拧麻花一样相对扭转一个角度，就会形成一种被称为“莫尔超晶格”的长程周期性结构。这种结构会催生出许多单层或对齐双层材料中没有的新奇物理现象，比如魔角石墨烯中的超导和关联绝缘态。理解这些现象的第一步，就是搞清楚原子们在这个扭曲的“舞台”上究竟是如何排兵布阵的——这个过程就是原子结构弛豫或重构。

传统上，计算材料学的“金标准”是密度泛函理论（DFT）。它能从量子力学第一性原理出发，高精度地计算原子间的相互作用和能量。但它的“阿喀琉斯之踵”是计算成本，体系原子数一旦超过几百个，计算量就会呈指数级增长，变得几乎不可行。而一个典型的、具有小扭转角（比如1度）的莫尔超晶格，其超胞可能包含数万个原子，这远远超出了DFT的直接处理能力。

这就引出了我们项目的核心：如何突破计算尺度的限制，去窥探大尺度莫尔体系中原子的精细重构？我们选择了两种互补的“武器”：机器学习势函数（MLIP）和连续介质模型。前者像是一个从DFT数据中“学成归来”的超级学徒，能以接近师傅（DFT）的精度，但快几个数量级的速度，去处理成千上万个原子的弛豫问题。后者则像一位宏观力学家，它不关心每一个原子的具体位置，而是将材料视为连续的弹性薄片，用一套基于弹性理论的方程来描述其整体变形，计算成本极低。

我们的“战场”是硒化铟（InSe）这种高度柔性的二维材料。它的杨氏模量远低于石墨烯或过渡金属硫族化合物（TMDs），这意味着它的原子层更容易被弯曲和拉伸。我们预感到，这种高柔性会让InSe的扭曲双层在更宽的扭转角范围内发生剧烈的原子重构，从而可能孕育出独特的电子性质。本文将详细拆解我们如何训练一个专用于InSe的MLIP，如何构建并调整连续介质模型，以及这两种方法在揭示InSe扭曲双层强原子重构现象上的“对决”与互补。无论你是计算材料学的新手，还是对机器学习在科学计算中应用感兴趣的开发者，这篇文章都将带你深入这个交叉领域的前沿。

2. 核心方法论解析：从第一性原理到跨尺度模拟

要研究InSe扭曲双层的原子重构，我们需要在精度和效率之间找到平衡。DFT提供了基准精度，但尺度受限；经典经验势函数效率高，但往往难以准确描述二维材料层间复杂的范德华相互作用和化学键合变化。我们的策略是构建一个从原子尺度到介观尺度的多层次研究框架。

2.1 密度泛函理论（DFT）计算：一切的基础

所有工作的起点是高质量的DFT计算，它为后续的MLIP训练和连续介质模型参数化提供了“真理数据”。

计算设置与参数选择我们使用Quantum ESPRESSO软件包进行所有DFT计算。软件包的选择并非随意，Quantum ESPRESSO在平面波赝势框架下具有优秀的并行效率和广泛的泛函支持，特别适合处理二维材料体系。

• 交换关联泛函与范德华修正：这是关键之一。对于InSe这类层状材料，层间相互作用主要由范德华力主导。我们采用了OPTB88泛函，它包含了非局域的范德华修正（vdW-DF2类型）。这个选择是基于大量测试的：标准的广义梯度近似（GGA）泛函如PBE会严重低估层间结合能，而单纯的vdW修正又可能过高估计。OPTB88在描述结合能曲线方面取得了较好的平衡，这对于后续准确拟合层间相互作用势至关重要。
• 赝势：我们使用了SSSP（Standard Solid-State Pseudopotentials）库中的赝势。具体是In的PBE赝势（来自PSlibrary）和Se的PBE赝势（来自GBRV数据集）。使用经过验证的高效赝势能在保证精度的前提下显著降低平面波截断能。
• 收敛参数：
  • 平面波截断能：动能截断设为80 Ry，电荷密度截断设为720 Ry。这个设置远高于一般体系的收敛要求，目的是为了确保作用在原子上的力和应力计算足够精确。因为MLIP训练不仅需要能量，还需要准确的原子力和应力作为监督信号。
  • k点网格：我们为不同大小的体系采用了等效的k点密度。例如，对于原胞单层和双层，使用12×12×1的网格；对于6×6的单层超胞，使用2×2×1的网格。确保k点采样一致性，能避免因采样差异引入的系统误差，让MLIP学习到纯粹的原子构型与能量/力之间的关系，而不是k点网格的 artifacts。

注意：在准备MLIP训练集时，DFT计算的收敛标准必须格外严格。力的收敛阈值通常要设到每原子几个meV/Å的量级，远高于通常结构弛豫的标准（~25 meV/Å）。否则，训练数据中的噪声会严重影响MLIP的预测准确性和稳定性。

2.2 机器学习势函数（MLIP）的构建：让原子“学会”相互作用

MLIP的核心思想是用一个灵活的机器学习模型（通常是神经网络）来拟合从DFT数据中学到的势能面。我们选择了MACE（Message Passing with Atomic Cluster Expansion）框架，它是一种等变神经网络，能自然地满足物理系统的旋转、平移和置换对称性，这对于保证势函数的物理正确性至关重要。

2.2.1 训练数据集的设计：覆盖所有可能场景

训练一个稳健的MLIP，数据集的质量和覆盖面比数量更重要。我们的训练集精心设计了多个模块，旨在让模型学会InSe体系所有重要的原子相互作用模式：

1. 层内相互作用：

   • 原胞单层：包含完全弛豫的结构，以及施加了单轴、双轴和剪切应变（高达±4%）的25种构型。这教会模型InSe单层在均匀应变下的弹性响应。
   • 6×6单层超胞：这是关键的一步。我们通过分子动力学（MD）模拟在50K到600K的多个温度下，对原始单层以及施加了-2%到+2%应变的单层进行采样。MD模拟使用了一个通用预训练模型MACE-mp0来驱动。这一步的目的是采样原子偏离平衡位置的所有可能热涨落构型。对于将要发生的原子重构，层内原子必然经历复杂的非均匀位移，这个数据集确保了MLIP能够处理这些“离平衡态不远”的原子环境。

2. 层间相互作用：

   • 对齐的原胞双层：将两个弛豫后的单层以平行（P）和反平行（AP）两种方式堆叠。然后系统地在层间平面内位移矢量r0的不可约部分进行网格采样（6×6网格），同时改变层间距d（从0.82 nm到0.94 nm，步长0.01 nm）。这产生了572个构型，完整地映射了结合能随堆叠方式和层间距变化的势能面，是描述扭曲双层中可变堆叠区域能量的基础。

3. 连接微观与介观：

   • 大角度扭曲双层：我们加入了两个DFT尚可处理的扭曲角度（21.79°和13.17°）的刚性结构及其弛豫后的结构。这为数万个原子的大体系弛豫提供了一个“桥梁”，让MLIP在训练阶段就接触到莫尔超晶格这种特殊的周期性边界条件。

整个训练集共666个构型，虽然数量不算庞大，但每个构型都经过精心设计，覆盖了从晶格振动、均匀应变到复杂堆叠的相空间。图1的示意图直观地展示了这些构型类别。

2.2.2 模型训练与验证：精度与泛化能力的考验

我们使用MACE框架，设置了两层神经网络，并采用了一个相对较大的截断半径（8 Å）。通常的默认值是5 Å，但对于InSe双层，层间距约0.87 nm，为了准确捕捉层间相互作用对堆叠的依赖，必须保证截断半径大于层间距，使模型能“看到”相邻层的原子。

训练采用分阶段的策略：前200个epoch，能量、力和应力的损失函数权重比为1:10:1，重点优化力的预测；之后开启随机权重平均（SWA）并将能量权重提高到100，以精细收敛总能量。最终，模型在训练集和验证集上的能量均方根误差（RMSE）低至0.1 meV/原子，力的RMSE约为7 meV/Å。力的误差主要来自高温MD采样的构型，这是可以接受的，因为这些构型本身偏离平衡较远。

验证环节至关重要。图2的散点图显示，MLIP预测的单层和双层能量与DFT计算结果高度吻合。图3则更令人信服地展示了MLIP完美复现了DFT计算的关键结果：不同高对称堆叠方式（如XX‘， MX’/XM‘， MM‘， 2H）下，结合能随层间距d变化的曲线。特别是，它准确捕捉到了AP堆叠中MM‘和2H两种堆叠在结合能和最优层间距上的微小差异，以及P堆叠中MX’/XM‘这对孪生堆叠的简并性。这些细节的成功复现，是MLIP能够可靠用于研究扭曲双层中复杂堆叠竞争的前提。

2.3 连续介质模型：从原子细节到宏观变形

连续介质模型采取了完全不同的思路。它不再追踪每个原子的坐标，而是将每一层InSe视为一个连续的弹性薄膜。模型的能量泛函由两部分组成：

E_total = ∫ [U_elastic(r) + W_adhesion(d(r), r0(r))] d²r

其中：

• U_elastic(r)是弹性应变能密度。它由单层的弹性常数（拉梅常数λ和剪切模量μ）和局部应变张量u_ij(r)决定，描述了原子层被拉伸或剪切所需要的能量代价。这些弹性常数直接从我们DFT计算单层应变-能量关系中获得。
• W_adhesion(d(r), r0(r))是层间粘附能密度。它描述了在某个位置r，当两层之间的局部面内偏移为r0(r)、层间距为d(r)时，单位面积的结合能。这个函数的核心来自对前述DFT层间结合能数据（对齐双层在不同r0和d下的能量）的数学拟合。

模型的关键简化与核心方程：

1. 面外变形能忽略：模型假设弯曲单层所需的能量远小于面内应变能，因此忽略了面外变形的能量代价。这是一个常见的近似，但对于特征尺寸很小的褶皱（如域壁和节点），这个近似可能会失效。
2. 局域堆叠近似：模型假设在扭曲双层的每一个位置r，其层间距d(r)会自动调整到该处局部堆叠r0(r)所对应的最优值d_min(r0)。这样，粘附能就只变成了局部面内偏移r0(r)的函数：˜E(r0) = W(d_min(r0), r0)。
3. 傅里叶展开与最小化：将˜E(r0)和原子面内位移场u(r)都用莫尔超晶格的倒格矢进行傅里叶展开。通过变分法最小化总能量E_total，可以求解出位移场u(r)的傅里叶系数，从而得到重构后的原子位置（近似为r0(r) ≈ θẑ × r + 2u(r)）。

我们将DFT计算的结合能数据拟合为一个包含多个指数项和三角函数的解析表达式（公式3），参数如表I所示。图6显示，这个拟合能很好地描述不同堆叠下结合能随层间距的变化趋势，尽管在最小值附近的变化平坦区域，其精度不如MLIP。

两种方法的本质区别：MLIP是自下而上的，它从原子尺度相互作用出发，通过数值弛豫得到每个原子的精确位置。连续介质模型是自上而下的，它基于宏观弹性理论和平均化的粘附势，通过求解偏微分方程（或其傅里叶空间形式）得到连续的位移场。前者精确但计算量大，后者高效但做了物理近似。我们的研究正是要探究，在InSe这种高柔性材料中，这些近似在多大程度上仍然成立。

3. InSe扭曲双层的强原子重构现象

拥有了MLIP这把“利器”，我们就可以对包含数万个原子的大尺度莫尔超胞进行全原子弛豫了。我们系统计算了从接近30°到接近0°（P堆叠）或60°（AP堆叠）的一系列扭转角。结果清晰地揭示，由于InSe单层的高柔性，原子重构现象在非常宽的扭转角范围内都极其显著。

3.1 重构的物理图像：能量博弈

原子重构的本质是两种能量之间的竞争：

1. 收益：通过变形，使双层中更多区域处于低能量（强结合）的原子堆叠构型（如P堆叠中的MX‘/XM’， AP堆叠中的MM‘）。
2. 成本：使单层发生面内应变和面外弯曲所需要的弹性能。

InSe的杨氏模量约为50 GPa，远低于典型的TMDs（150-350 GPa）和石墨烯（~1 TPa）。这意味着让InSe层变形的“成本”很低。因此，即使扭转角较大（莫尔周期较短），变形的“收益”也容易超过“成本”，从而导致重构在比TMDs大得多的扭转角下就开始出现。

3.2 P堆叠（小扭转角）的重构特征

对于P堆叠（扭转角接近0°），弛豫后的结构呈现出清晰的图案（图4上排）：

• 面外褶皱：层间距不再是均匀的。在能量有利的MX‘/XM’堆叠区域，两层原子靠得更近（结合更强）；而在能量不利的XX‘堆叠区域，两层原子被推开，层间距增大。这种褶皱在所有扭转角下都存在，并随着扭转角减小（莫尔周期增大）而加剧。
• 面内畴结构形成：当扭转角小于约5°时，清晰的三角形畴结构开始出现。这些三角形区域是MX‘/XM’堆叠的“能量洼地”，它们被一个由域壁和节点构成的网络分隔开。域壁是连接两个能量简并的MX‘和XM’堆叠区域的过渡带，其堆叠构型近似为“DW”（Domain Wall）。节点则是三个畴相遇的点，通常是能量最高的XX‘堆叠。
• 收敛行为：当扭转角减小到约3°以下时，畴、域壁和节点的形状和尺寸基本不再随角度变化，达到了一个“收敛”的图案。这意味着重构的微观特征有一个固有的长度尺度（~1-2 nm），一旦莫尔周期远大于此，图案就会自我重复。

3.3 AP堆叠（扭转角近60°）的重构演变

AP堆叠的行为更为有趣，呈现出两个不同的阶段（图4下排）：

• 大角度阶段（如59.18°）：重构图案看起来与P堆叠类似，只是低能量区域变成了MM‘和2H堆叠（取代了MX‘/XM’），高能量节点仍是XX‘堆叠。此时主导重构的动力仍然是最小化高能量XX‘区域的面积。
• 小角度阶段（如60.24°, 60.08°）：当扭转角非常接近60°时，图3中揭示的AP堆叠结合能曲线的不对称性开始显现。MM‘堆叠的能量略低于2H堆叠。因此，在能量驱动下，MM‘畴会逐渐“吞噬”2H畴的面积，导致两者形状不再对称。在原子弛豫结果中，2H畴会收缩成一个点状的节点，而MM‘畴扩张。这种细微的能量差异能被MLIP精确捕捉，并驱动了不对称的重构。

3.4 层间距变化的定量分析

图5展示了沿莫尔超胞一条路径的层间距变化。可以清晰地看到：

• 在能量有利的畴中心（MX‘/XM‘或MM’），层间距达到最小值（~0.86-0.87 nm）。
• 在能量不利的节点（XX‘）中心，层间距达到最大值。
• 随着扭转角减小，层间距的波动幅度（褶皱幅度）显著增大。例如，在θ=1.08°时，层间距在0.86 nm到0.91 nm之间变化，波动高达0.05 nm，这对于层间电子耦合会产生重要影响。

这些原子尺度的重构细节，特别是域壁和节点的精确几何形状、尺寸以及层间距的局域变化，是理解后续莫尔超晶格中电子能带平坦化、局域态形成等物理现象的结构基础。MLIP为我们提供了这幅前所未有的高分辨率“原子重构地图”。

4. 机器学习势函数与连续介质模型的正面较量

既然我们拥有了全原子尺度的“黄金标准”（MLIP）和高效的连续介质模型，一个自然而然的问题就是：连续介质模型在预测InSe扭曲双层重构时，到底有多准？它在什么情况下会失效？本节我们将两种方法的结果进行逐项对比。

4.1 面内畴结构的预测对比

图7展示了连续介质模型预测的重构图案（层间距分布图）。与图4的MLIP结果对比，我们可以发现：

• 对于P堆叠（小扭转角）：连续介质模型的表现相当出色。它准确地再现了三角形MX‘/XM’畴的形状、域壁的走向和厚度，以及XX‘节点的位置。这说明，当重构的特征尺寸（畴的大小）远大于原子尺度时，连续介质模型将材料视为弹性连续体的近似是有效的，弹性能与粘附能竞争的核心物理被模型很好地抓住了。
• 对于AP堆叠（近60°）：连续介质模型出现了明显偏差。特别是在扭转角非常接近60°时（如60.08°），MLIP结果显示2H畴已经收缩为一个小节点，而MM‘畴占据主导。然而，连续介质模型预测的2H和MM‘畴仍然近乎对称，仅表现出轻微的弯曲。模型未能充分捕捉到MM‘与2H堆叠之间那微小的能量差异所驱动的不对称重构。这是因为连续介质模型的粘附势˜E(r0)是从拟合的DFT数据中通过傅里叶变换得到的，在拟合和变换过程中，这些非常细微的能量差异可能被平滑掉或未能被低阶傅里叶分量充分描述。

4.2 层间距预测的深度剖析

图8将两种方法计算出的、沿着超胞相同路径的层间距剖面进行了直接叠加对比。差异更加显著和有趣：

1. 最优层间距的偏差：即使在能量最低的畴中心（如MX‘），连续介质模型预测的最优层间距也与MLIP结果有微小差别。这源于图6所示的根本原因：连续介质模型对结合能曲线W(d, r0)的拟合，在最小值附近（曲线较平坦处）的精度有限。MLIP则能更精确地复现DFT的细节。不过，对于判断畴是否形成，这个差异影响不大，因为关键因素是不同堆叠之间的能量差，而非绝对层间距。

2. 节点处层间距的严重高估：这是最关键的发现。在XX‘堆叠的节点处，连续介质模型预测的层间距（~0.923 nm）显著高于MLIP的结果（~0.908 nm）。为什么？

   • 连续介质模型的假设：它采用“局域堆叠近似”，即认为每个点的层间距d(r)都自动等于该处局部堆叠r0(r)所对应的最优值d_min(r0)。对于XX‘堆叠，d_min本来就较大。
   • MLIP揭示的物理：在实际的原子弛豫中，节点尺寸很小（半径约1 nm）。要让原子层在如此短的距离内从畴中心的低间距弯曲到节点处的高间距，会产生不可忽略的面外弯曲能。连续介质模型完全忽略了这部分能量代价。
   • 能量权衡：全原子弛豫（MLIP）会做一个权衡：与其付出巨大的弯曲能将节点处的层间距顶到理论最优值，不如接受一个略低的层间距，从而节省弯曲能。因此，实际的层间距在节点处被“压制”了。MLIP由于直接计算原子间作用力，自然包含了这种弯曲效应。

3. 大角度下的失效：对于扭转角较大的情况（如图8中θ=21.79°），连续介质模型预测的层间距变化曲线（虚线）与MLIP结果（实线）相差甚远。这是因为在大角度下，莫尔周期短，原子重构很弱，层间距变化主要反映的是刚性莫尔图案中不同堆叠的快速交替。此时，“局域堆叠近似”和基于弹性理论的位移场展开都不再适用。连续介质模型本质上是为了描述弛豫主导的体系，对于刚性或弱弛豫的莫尔图案，其预测能力很有限。

4.3 方法论启示与适用范围界定

通过这场“较量”，我们可以得出以下清晰的结论：

• 连续介质模型的优势与适用场景：

  • 高效快速：计算成本极低，可以轻松扫描大量扭转角。
  • 定性可靠：对于柔性材料在小扭转角下的重构，它能正确预测畴结构的基本形态（如P堆叠），为理解物理现象提供直观的图像。
  • 适用于特征尺度较大的变形：当畴、壁等结构的尺寸远大于单层厚度（即弯曲能可忽略）时，其预测较为准确。

• 机器学习势函数的优势与不可替代性：

  • 原子级精度：能提供每个原子的精确坐标，包括面外位移。
  • 捕捉复杂物理：能自动包含所有能量项，如面外弯曲、键角扭曲等被连续介质模型忽略的效应。
  • 揭示细微差异：对能量势能面的细微特征（如AP堆叠中MM‘与2H的微小能量差）极其敏感，能驱动出正确的对称性破缺重构。
  • 跨尺度能力：从几个原子到数万个原子，保持一致的精度，是连接DFT与宏观尺度模拟的桥梁。

• 实践建议：

  • 在研究一种新的二维材料扭曲体系时，可以先用连续介质模型进行快速扫描，初步判断重构发生的临界扭转角以及畴结构的大致形态。
  • 当需要定量研究电子结构（如计算莫尔能带）、分析局域应变、或者研究特征尺寸与层厚相当的精细结构（如节点、锐利域壁）时，必须使用MLIP或同等精度的全原子方法进行弛豫。连续介质模型在节点处对层间距的高估，可能会显著影响该处局域电子态的预测。

我们的工作表明，对于InSe这类高柔性材料，其重构特征尺寸（节点半径~1 nm）已经小到使弯曲能变得重要，因此全原子方法的价值更加凸显。MLIP在此展现了其独特优势，它以接近DFT的精度，解决了传统方法无法处理的大尺度原子弛豫难题。

5. 实操、挑战与未来展望

5.1 构建与应用MLIP的实操要点

基于本项目的经验，如果你想为自己的研究体系训练一个MLIP，以下是一些关键的实操建议和避坑指南：

1. 训练集构建是成败关键：

   • 广度优于数量：与其用MD生成成千上万个相似构型，不如精心设计几十个覆盖不同物理场景的构型。务必包含：① 零应变及各种应变下的原胞；② 有限温度下大超胞的MD快照（采样热涨落）；③ 覆盖所有感兴趣堆叠方式和层间距的双层构型；④ 如果可能，包含一两个中等尺寸的目标体系（如我们的扭曲双层）的DFT弛豫结果。
   • 力的收敛至关重要：用于训练MLIP的DFT计算，必须将力的收敛阈值设得非常严格（例如< 1e-4 Ry/bohr）。不准确的力数据是MLIP训练不收敛或预测不稳定的主要元凶。
   • 能量锚点：在训练集中加入孤立原子的能量，可以帮助模型确定能量的绝对参考点，改善其泛化能力。

2. 模型选择与超参数调试：

   • 等变架构：对于材料体系，强烈推荐使用像MACE、NequIP、Allegro这类等变神经网络架构。它们内置了物理对称性，比普通神经网络需要更少的数据就能达到更好的精度和泛化能力。
   • 截断半径：对于层状材料或涉及表面吸附的体系，务必确保截断半径大于相互作用的特征长度。对于范德华层状材料，截断半径必须大于层间距。
   • 验证与测试：一定要严格区分训练集、验证集和测试集。验证集用于调参，测试集用于最终评估模型在“未见过的”数据上的表现。测试集应包含训练集未覆盖的堆叠方式或应变模式。

3. 大体系弛豫技巧：

   • 软硬件：使用LAMMPS等支持MLIP的成熟分子动力学软件进行弛豫。对于数万原子的体系，需要足够的GPU或CPU资源。
   • 弛豫策略：可以先使用较弱的收敛标准（如力< 0.05 eV/Å）进行快速预弛豫，再使用严格标准（如< 0.001 eV/Å）进行精细弛豫。有时结合FIRE算法和共轭梯度法能获得更好的效果。
   • 可视化检查：弛豫结束后，务必用VESTA、OVITO等工具可视化原子结构。检查是否有原子飞离、层间是否发生不合理穿透、重构图案是否对称美观。这是发现潜在问题（如势函数不稳定、弛豫未收敛）的最直接方法。

5.2 当前工作的局限性与未来方向

本研究为理解柔性二维材料扭曲双层重构提供了有力工具和新的见解，但仍有可拓展的空间：

1. MLIP的泛化能力边界：我们训练的MLIP专注于InSe单层和双层的基态附近构型。如果要模拟高温相变、缺陷迁移或化学反应，需要在训练集中加入相应的高能量构型。一个MLIP通常只在其训练数据覆盖的相空间区域内可靠。
2. 动态过程与有限温度效应：本文只研究了零温下的静态弛豫结构。实际材料处于有限温度下，原子会热振动，畴壁可能会波动甚至移动。利用训练好的MLIP进行分子动力学模拟，可以研究重构结构的温度稳定性、畴壁动力学等丰富物理。
3. 与电子结构计算的耦合：原子重构的最终目的是理解其对电子性质的影响。未来的工作可以将MLIP弛豫得到的原子结构，直接输入DFT软件进行电子结构计算。更进一步的思路是开发同时学习势能和电子哈密顿量的机器学习模型，实现从原子结构到电子能带的一站式预测。
4. 扩展到异质结与更多材料：本文聚焦InSe同质双层。该方法可无缝推广到InSe与其他二维材料（如石墨烯、hBN、TMDs）形成的异质结，研究其界面重构。也可以为其他高柔性二维材料（如黑磷、GeSe等）构建MLIP，探索其扭曲体系的共性规律。

5.3 对实验的启示

我们的理论预测对实验观测有直接指导意义：

• 扫描探针显微镜（SPM）：预测的~0.05 nm层间距起伏和清晰的三角形畴结构，应该可以通过高分辨率的原子力显微镜（AFM）或扫描隧道显微镜（STM）进行验证。特别是节点处被“压制”的层间距，是一个可以检验的关键预测。
• 光学光谱：原子重构会显著改变层间耦合和局部应变场，从而影响激子（电子-空穴对）的能量和空间分布。预计在重构形成的畴网络边界（域壁）处，会出现局域的激子态，在荧光光谱上可能表现为额外的峰或展宽。
• 电学输运：畴壁和节点作为原子堆叠的“缺陷”网络，可能会散射载流子，影响材料的迁移率。同时，重构导致的周期性应变场也可能产生赜磁场，影响电子输运。

通过将机器学习势函数与连续介质模型相结合，我们不仅高效精准地揭示了高柔性InSe扭曲双层中丰富的原子重构物理，更展示了一条通往更复杂二维材料体系多尺度模拟的可行路径。这项工作就像为材料科学家提供了一副兼具“显微镜”视野和“广角镜”效率的新眼镜，让我们能更清晰地审视这些扭转的原子世界中隐藏的秩序与奥秘。