KI und die schwierigen Probleme der Welt · Chemie & Materialien · arXiv · 2026-10-26
Kontrastive Regularisierung von Machine-Learning-Potenzialen
Originaltitel: Contrastive Regularization of Machine Learning Potentials
Maschinell gelernte interatomare Potenziale, die durch Minimierung des mittleren quadratischen Fehlers auf DFT-Daten trainiert wurden, können zurückgehaltene Daten treffen und beim Sampling dennoch in unphysikalische Minima abdriften, was ihre Thermodynamik verfälscht. Die Autoren führen Contrastive Regularized MSE (CRMSE) ein, einen Nachtrainingsschritt, bei dem das Potenzial als sein eigenes energiebasiertes Modell fungiert und lernt, die von ihm erzeugte Verteilung zu reproduzieren, ohne neue DFT-Daten. Bei MD17-Molekülen stellt CRMSE ein physikalisches Sampling wieder her und rekonstruiert DFT-Freie-Energie-Profile, während Energie- und Kraftfehler innerhalb chemischer Genauigkeit bleiben.