الذكاء الاصطناعي ومشكلات العالم الصعبة · الكيمياء والمواد · arXiv · 2026-10-26

التنظيم التبايني لجهود التعلم الآلي

العنوان الأصلي: Contrastive Regularization of Machine Learning Potentials

قد تتطابق جهود التفاعل الذري المتعلَّمة آلياً والمدرَّبة بتقليل متوسط مربع الخطأ على بيانات DFT مع البيانات المحجوزة، لكنها تنجرف إلى حدود دنيا زائفة عند أخذ العينات منها، مما يفسد خواصها الثرموديناميكية. يقدّم المؤلفون طريقة Contrastive Regularized MSE (CRMSE)، وهي خطوة لاحقة للتدريب يعمل فيها الجهد كنموذجه الخاص القائم على الطاقة ويتعلم إعادة إنتاج التوزيع الذي يولّده، دون أي بيانات DFT جديدة. وعلى جزيئات MD17، تعيد CRMSE أخذ العينات الفيزيائية الصحيحة وتستعيد منحنيات الطاقة الحرة من DFT مع إبقاء أخطاء الطاقة والقوة ضمن الدقة الكيميائية.

اقرأ المصدر الأصلي ↗

جميع العناصر →