Con la mejora continua de los métodos de aprendizaje automático, construir el potencial de aprendizaje automático interatómico (MLP) basado en los conjuntos de datos de cálculos de mecánica cuántica se ha convertido en un enfoque técnico efectivo para mejorar la precisión de la simulación de dinámica molecular clásica. El Potencial de Análisis de Vecinos Espectrales (SNAP) es uno de los potenciales de aprendizaje automático más comúnmente utilizados. Utiliza el bispectro para codificar el entorno local de cada átomo en la red. El hiperparámetro jmax controla la complejidad del mapeo y la precisión entre el entorno local y el descriptor de bispectro. A medida que aumenta el hiperparámetro jmax, la descripción se vuelve más precisa, pero el número de parámetros en el descriptor de bispectro aumentará drásticamente, incrementando la complejidad computacional. Con el fin de reducir la complejidad computacional sin perder la precisión computacional, este documento propone un método de selección de características de conjunto de dos niveles (EFS) para un descriptor de bispectro, combinando el método de perturbación y la estrategia de conjunto de seleccionadores de características. Basado en el método propuesto, se selecciona el subconjunto de características del conjunto de datos original del descriptor de bispectro para construir el MLP de dimensión reducida. Como aplicación y validación del método, se utilizan los datos de los elementos metálicos Fe, Ni, Cu, Li, Mo, Si y Ge para entrenar el modelo de regresión lineal basado en SNAP para predecir las energías atómicas y fuerzas de estos metales, evaluando así el rendimiento de los subconjuntos de características. Los resultados experimentales muestran que, en comparación con las características de SNAP y qSNAP, la mejora en la complejidad de entrenamiento de nuestro método EFS sobre la característica qSNAP es más efectiva que SNAP. En comparación con los métodos existentes, cuando el tamaño del subconjunto de características es 0.7 veces el de las características originales, el método EFS propuesto basado en la estrategia de conjunto SSWRP puede lograr el mejor rendimiento en términos de estabilidad, alcanzando una estabilidad promedio de 0.94 en todos los conjuntos de datos. La complejidad de entrenamiento del modelo de regresión lineal se reduce aproximadamente a la mitad, y la complejidad de predicción se reduce en aproximadamente un 30%.