AI اور دنیا کے مشکل مسائل · کیمیا اور مواد · arXiv · 2026-10-26

مشین لرننگ پوٹینشلز کی متضاد ریگولرائزیشن

اصل عنوان: Contrastive Regularization of Machine Learning Potentials

DFT ڈیٹا پر اوسط مربع خطا کم سے کم کر کے تربیت دیے گئے مشین لرننگ بین الجوہری پوٹینشل روک رکھے گئے ڈیٹا سے مطابقت رکھ سکتے ہیں لیکن نمونہ بندی کے دوران غلط کم ترین نقطوں کی طرف بہک جاتے ہیں، جس سے ان کی تھرموڈائنامکس بگڑ جاتی ہے۔ مصنفین Contrastive Regularized MSE (CRMSE) متعارف کراتے ہیں، جو تربیت کے بعد کا ایک مرحلہ ہے جس میں پوٹینشل خود اپنا توانائی پر مبنی ماڈل بن کر اس تقسیم کو دوبارہ پیدا کرنا سیکھتا ہے جو وہ خود پیدا کرتا ہے، اور اس کے لیے کسی نئے DFT ڈیٹا کی ضرورت نہیں پڑتی۔ MD17 سالمات پر CRMSE طبعی نمونہ بندی بحال کرتا ہے اور DFT آزاد توانائی کے پروفائل واپس حاصل کرتا ہے، جبکہ توانائی اور قوت کی خطائیں کیمیائی درستگی کے اندر رہتی ہیں۔

اصل تحریر پڑھیں ↗

تمام آئٹمز →