摘要： 分子动力学（Molecular Dynamics, MD）模拟用于研究物质的结构、相行为和动力学等问题，已经成为了物理、化学、材料等多个领域不可或缺的研究手段之一。MD模拟的准确度取决于原子间相互作用势函数或力场。在传统方法中，势函数或力场由经验公式拟合得到，计算效率高但精度往往不够。另一种基于第一性原理计算的MD模拟方法通过直接求解薛定谔方程得到势能和原子受力信息，精度高但计算量极大。机器学习势函数通过人工智能算法来拟合第一性原理级别的势能和受力信息，可以兼顾精度和速度，已经引起了广泛关注。然而，高性能的机器学习势函数依赖大量的第一性原理计算用于标注训练数据，训练集采样不够充分将导致机器学习势函数在测试集上的精度急剧下降，进而导致模拟的崩溃。近年来，自监督预训练方法在大语言模型等领域取得了令人瞩目的成果，而相关方法在MD模拟中的探索仍处于初期阶段。我们针对原子结构数据的特点设计了一系列自监督学习算法，只需要极少的额外计算量就可以获得极大的精度提升，并且可以显著提升MD模拟的稳定性。这项研究大大降低了机器学习势函数模型的训练难度和应用门槛，有利于促进高精度模拟方法在更多实际问题中的应用。