AI dan Masalah-Masalah Sulit Dunia · Kimia & material · arXiv · 2026-10-26
Regularisasi Kontrastif pada Potensial Pembelajaran Mesin
Judul asli: Contrastive Regularization of Machine Learning Potentials
Potensial antaratom berbasis pembelajaran mesin yang dilatih dengan meminimalkan galat kuadrat rata-rata pada data DFT dapat cocok dengan data uji yang ditahan, tetapi tetap hanyut ke minimum palsu saat disampel, sehingga merusak termodinamikanya. Para penulis memperkenalkan Contrastive Regularized MSE (CRMSE), langkah pascapelatihan di mana potensial bertindak sebagai model berbasis energinya sendiri dan belajar mereproduksi distribusi yang dihasilkannya, tanpa data DFT baru. Pada molekul MD17, CRMSE memulihkan pengambilan sampel yang fisis dan memulihkan profil energi bebas DFT sambil menjaga galat energi dan gaya tetap dalam akurasi kimia.