La IA y los problemas difíciles del mundo · Química y materiales · arXiv · 2026-10-26
Regularización contrastiva de potenciales de aprendizaje automático
Título original: Contrastive Regularization of Machine Learning Potentials
Los potenciales interatómicos de aprendizaje automático entrenados minimizando el error cuadrático medio sobre datos de DFT pueden ajustarse a datos reservados y, sin embargo, derivar hacia mínimos espurios al muestrearse, lo que corrompe su termodinámica. Los autores presentan Contrastive Regularized MSE (CRMSE), un paso posterior al entrenamiento en el que el potencial actúa como su propio modelo basado en energía y aprende a reproducir la distribución que genera, sin ningún dato nuevo de DFT. En moléculas de MD17, CRMSE restablece un muestreo físico y recupera los perfiles de energía libre de DFT manteniendo los errores de energía y fuerza dentro de la precisión química.