AI 與世界的難題 · 化學與材料 · arXiv · 2026-10-26
機器學習勢能的對比正則化
原標題: Contrastive Regularization of Machine Learning Potentials
以最小化 DFT 資料上的均方誤差來訓練的機器學習原子間勢，雖能吻合保留的資料，但在取樣時可能漂移至虛假的極小值，進而破壞其熱力學性質。作者提出對比正則化均方誤差（Contrastive Regularized MSE，CRMSE），這是一個訓練後步驟，讓勢函數充當自身的能量基模型，並學習重現其所產生的分布，且無需任何新的 DFT 資料。在 MD17 分子上，CRMSE 恢復了符合物理的取樣，並重現 DFT 自由能曲線，同時使能量與力的誤差維持在化學精度範圍內。