AI और दुनिया की कठिन समस्याएँ · रसायन विज्ञान और पदार्थ · arXiv · 2026-10-26

मशीन लर्निंग पोटेंशियल का कंट्रास्टिव रेगुलराइज़ेशन

मूल शीर्षक: Contrastive Regularization of Machine Learning Potentials

DFT डेटा पर माध्य वर्ग त्रुटि को न्यूनतम करके प्रशिक्षित मशीन-लर्निंग अंतर-परमाणु विभव, होल्ड-आउट डेटा से मेल खा सकते हैं, फिर भी नमूनाकरण के समय भ्रामक न्यूनतमों की ओर खिसक जाते हैं, जिससे उनका ऊष्मागतिकी बिगड़ जाता है। लेखक Contrastive Regularized MSE (CRMSE) प्रस्तुत करते हैं, जो प्रशिक्षण-पश्चात का एक चरण है जिसमें विभव स्वयं अपना ऊर्जा-आधारित मॉडल बन जाता है और जो वितरण वह उत्पन्न करता है उसे पुनः उत्पन्न करना सीखता है, बिना किसी नए DFT डेटा के। MD17 अणुओं पर, CRMSE भौतिक नमूनाकरण को बहाल करता है और DFT मुक्त-ऊर्जा प्रोफ़ाइल पुनः प्राप्त करता है, जबकि ऊर्जा और बल की त्रुटियाँ रासायनिक सटीकता के भीतर बनी रहती हैं।

मूल लेख पढ़ें ↗

सभी आइटम →