IA e os Problemas Difíceis do Mundo · Química e materiais · arXiv · 2026-10-26
Regularização contrastiva de potenciais de aprendizado de máquina
Título original: Contrastive Regularization of Machine Learning Potentials
Potenciais interatômicos de aprendizado de máquina treinados por minimização do erro quadrático médio em dados de DFT podem corresponder aos dados de validação, mas derivam para mínimos espúrios quando amostrados, corrompendo sua termodinâmica. Os autores apresentam o Contrastive Regularized MSE (CRMSE), uma etapa pós-treinamento em que o potencial atua como seu próprio modelo baseado em energia e aprende a reproduzir a distribuição que ele mesmo gera, sem nenhum dado novo de DFT. Em moléculas do MD17, o CRMSE restaura a amostragem física e recupera os perfis de energia livre de DFT, mantendo os erros de energia e de força dentro da precisão química.