AIが解く世界の難問 · 化学・材料 · arXiv · 2026-10-26
機械学習ポテンシャルの対照正則化
原題: Contrastive Regularization of Machine Learning Potentials
平均二乗誤差（MSE）を最小化して学習した機械学習原子間ポテンシャル（MLIP）は、DFTデータへの当てはまりが良くても、サンプリングするとスプリアスな極小へ漂い、熱力学的な振る舞いを歪めることがある。本研究は、学習後の工程としてContrastive Regularized MSE（CRMSE）を提案する。これはポテンシャル自身をエネルギーベースモデルとみなし、新たなDFTデータを使わずに、自ら生成する分布を再現するよう学習させる手法である。MD17ベンチマークの分子では、物理的なサンプリングを回復してDFTの自由エネルギープロファイルを再現し、エネルギーと力の誤差を化学的精度の範囲内に保った。