Key points are not available for this paper at this time.
نقدم الجزء الثاني من التقييم الدقيق لأحدث نماذج القوة المعتمدة على تعلم الآلة (MLFFs) ضمن تحدي TEA 2023. توفر هذه الدراسة تحليلًا متعمقًا لأداء MACE و SO3krates و sGDML و SOAP/GAP و FCHL19* في نمذجة الجزيئات، وواجهات الجزيئات-السطح، والمواد الدورية. نقارن الملاحظات المستخلصة من محاكيات الديناميكا الجزيئية (MD) باستخدام نماذج قوية مختلفة في ظروف متطابقة. حيثما كان ذلك ممكنًا، تعتبر نظرية الكثافة الوظيفية (DFT) أو التجربة مرجعًا لتقييم أداء نماذج تعلم الآلة بشكل موثوق. في غياب مقاييس DFT، نقوم بإجراء تحليل مقارن استنادًا إلى نتائج من معماريات MLFF مختلفة. تشير نتائجنا إلى أنه في المرحلة الحالية من تطوير نماذج MLFF، فإن اختيار نموذج ML أصبح أقل أهمية، حيث تكون المحاكيات الناتجة غير معتمدة إلى حد كبير على بنية MLFF. بدلاً من ذلك، يجب التركيز على تطوير مجموعات بيانات تدريبية كاملة وموثوقة وتمثيلية. ومع ذلك، تبقى التفاعلات غير التساهمية على المدى الطويل تحديًا لجميع نماذج MLFF، مما يتطلب حذرًا خاصًا في محاكاة الأنظمة الفيزيائية التي تكون فيها هذه التفاعلات بارزة، مثل واجهات الجزيئات-السطح. تعكس النتائج المقدمة هنا حالة نماذج MLFF اعتبارًا من أكتوبر 2023.
درس بولتافسكي وآخرون (الجمعة) هذا السؤال.