arXiv cs.AI· Pavlo O. Dral, Yi-Fan Hou, Yuxinxin Chen, Hassan Nawaz, Mateusz Witkowski, Szymon \'Smiga, Ireneusz Grabowski·· 3 天前AI 评分20
机器学习势函数能否比其训练方法更准确？
Can Machine Learning Potentials Be More Accurate Than the Methods They Are Trained On?
AI 导读
一篇 Perspective 提出，机器学习势（MLP）可通过在量子化学方法这一"第三空间"上泛化，实现非经验性地超越其训练方法的精度。作者提出"方法可迁移 MLP"路线，在密度泛函与波函数理论中均有可行实现，证明其可比任一训练方法更准确。该方法有望让通用 MLP 比单方法模型更准确，并将影响训练数据集构建与模型评估。
正文 · AI 翻译
摘要：尽管机器学习势（MLP）能够跨构型空间和化合物空间泛化，但其精度通常被认为受限于训练方法，迄今为止只有通过重新拟合实验可观测量才能突破这一限制。在本 Perspective 中，我们认为 MLP 也可以通过跨第三个空间——量子化学方法空间——进行泛化，从而以非经验方式获得比其训练方法更高的精度。我们提出了实现方法可迁移 MLP 的途径，使其能够对未见方法进行预测，并在密度泛函和波函数理论中的可行实现表明，它们可以比其任何训练方法都更精确。以超越训练方法的精度为目标，还可以使通用 MLP 比单方法模型更精确，即使方法可迁移 MLP 的精度仍低于那些 QM 方法。方法可迁移 MLP 将塑造训练数据集的构建和模型的评估，推动化学模拟的精度极限。
| 主题： | 化学物理（physics.chem-ph）；人工智能（cs.AI）；机器学习（cs.LG）；计算物理（physics.comp-ph） |
| 引用为： | arXiv:2610.18027 [physics.chem-ph] |
| （或 arXiv:2610.18027v1 [physics.chem-ph] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.18027 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Pavlo O. Dral [查看电子邮件]
[v1]
2026年10月13日星期二 09:19:53 UTC（1,526 KB）
来源：arXiv cs.AI · arxiv.org