AI اور دنیا کے مشکل مسائل · کیمیا اور مواد · arXiv · 2026-10-19
بین الاجزائی پوٹینشلز کے لیے ایکٹو لرننگ: غیر یقینی پر مبنی ڈیٹا کی کارکردگی کا جائزہ
اصل عنوان: Active Learning for Interatomic Potentials: A Review of Uncertainty-Driven Data Efficiency
یہ جائزہ مشین لرننگ بین الایٹمی پوٹینشلز کے لیے ایکٹیو لرننگ پر ستر سے زائد مطالعات کا احاطہ کرتا ہے، جس کا مقصد پوٹینشلز کو ان حالات کے لیے درست بنانا ہے جن میں انہیں استعمال کیا جاتا ہے۔ اس میں آن دی فلائی مالیکیولر ڈائنامکس، پہلے سے تربیت یافتہ ماڈلز کی فائن ٹیوننگ، اور مواد اور کیمیائی نظاموں کے لیے سیمپلنگ شامل ہیں۔ مصنفین یہ بھی بتاتے ہیں کہ غیر یقینی کے تخمینے مختلف آرکیٹیکچرز میں مختلف ہوتے ہیں اور اکثر وہیں سب سے کم قابلِ اعتماد ہوتے ہیں جہاں ان کی سب سے زیادہ اہمیت ہوتی ہے۔