Key points are not available for this paper at this time.
لقد أصبحت الإمكانات بين الذرات المدعومة بالتعلم الآلي (MLIPs) فعالة بشكل متزايد في تقريب الحسابات الميكانيكية الكمومية بتكلفة حسابية منخفضة. ومع ذلك، فإن الأخطاء الأقل في مجموعات الاختبار المحتفظ بها لا تعني دائمًا تحسين النتائج في مهام التنبؤ بالخصائص الفيزيائية downstream. في هذه الورقة، نقترح اختبار MLIPs على قدرتها العملية في الحفاظ على الطاقة خلال محاكيات الديناميكا الجزيئية. إذا نجحت، يتم العثور على ارتباطات محسّنة بين أخطاء الاختبار وأدائها في مهام التنبؤ بالخصائص الفيزيائية. نحن نحدد الخيارات التي قد تؤدي إلى فشل النماذج في هذا الاختبار، ونستخدم هذه الملاحظات لتحسين النماذج ذات التعبير العالي. النموذج الناتج، eSEN، يقدم نتائج رائدة في مجموعة من مهام التنبؤ بالخصائص الفيزيائية، بما في ذلك التنبؤ باستقرار المواد، والتنبؤ بالموصلية الحرارية، وحسابات الفونونات.
درس فو وآخرون (Mon،) هذا السؤال.