L'IA face aux grands problèmes du monde · Chimie et matériaux · arXiv · 2026-10-26
Régularisation contrastive des potentiels d'apprentissage automatique
Titre original: Contrastive Regularization of Machine Learning Potentials
Les potentiels interatomiques d'apprentissage automatique entraînés par minimisation de l'erreur quadratique moyenne sur des données DFT peuvent reproduire les données de test tout en dérivant vers des minima parasites lors de l'échantillonnage, ce qui corrompt leur thermodynamique. Les auteurs présentent la CRMSE (Contrastive Regularized MSE), une étape post-entraînement dans laquelle le potentiel joue le rôle de son propre modèle à base d'énergie et apprend à reproduire la distribution qu'il génère, sans aucune nouvelle donnée DFT. Sur des molécules de MD17, la CRMSE rétablit un échantillonnage physique et retrouve les profils d'énergie libre DFT tout en maintenant les erreurs d'énergie et de force dans la précision chimique.