研究显示MLIP数据缩放规律随模型与采样策略变化

Theo Keener 等在 arXiv:2611.15603 发布论文，在固定配置下考察 M3GNet、MACE 和 PET 三种机器学习原子间势在 1 万到 64 万结构子集及 116 万结构全集上的数据缩放行为，训练数据来自 MatPES-MP-ALOE。 研究观察到数据增加时误差呈幂律下降，但拟合出的缩放指数、表观误差下限和相对样本效率取决于模型架构、目标量、数据采样策略和测试集分布。 研究称结构数量是 MLIP 缩放的必要但不充分变量：增加第一性原理计算的收益不仅取决于新增结构数量，还取决于其化学与构型内容是否契合模型的预期用途。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。